Python机器学习与量化投资 Python ji qi xue xi yu liang hua tou zi

扉页 版权页 前言 目录 第1章 Python与机器学习 1.1 scikit-learn模块库 1.1.1 scikit-learn 的缺点 1.1.2 scikit-learn 算法模块 1.1.3 scikit-learn 六大功能 1.2 开发环境搭建 1.2.1 AI 领域的标准编程语言:Python 1.2.2 zwPython:难度降低90%,性能提高10 倍 1.2.3 “零对象”编程模式 1.2.4 开发平台搭建 1.2.5 程序目录结构 案例1-1:重点模块版本测试 1.3 机器学习:从忘却开始 1.4 学习路线图 第2章 机器学习编程入门 2.1 经典机器学习算法 2.2 经典爱丽丝 案例2-1:经典爱丽丝 案例2-2:爱丽丝进化与文本矢量化 2.3 机器学习算法流程 2.4 机器学习数据集 案例2-3:爱丽丝分解 2.5 数据切割函数 2.6 线性回归算法 案例2-4:爱丽丝回归 第3章 金融数据的预处理 3.1 至简归一法 案例3-1:麻烦的外汇数据 案例3-2:尴尬的日元 案例3-3:凶残的比特币 3.2 股票池与Rebase 3.2.1 股票池 3.2.2 Rebase 与归一化 案例3-4:股票池Rebase 归一化 3.3 金融数据切割 案例3-5:当上证遇到机器学习 3.4 preprocessing模块 案例3-6:比特币与标准化 案例3-7:比特币与归一化 第4章 机器学习快速入门 4.1 回归算法 4.2 LR线性回归模型 案例4-1:上证指数之LR 回归事件 4.3 常用评测指标 4.4 多项式回归 案例4-2:上证指数的多项式故事 案例4-3:预测比特币价格 4.5 逻辑回归算法模型 案例4-4:上证指数预测逻辑回归版 第5章 模型验证优化 5.1 交叉验证评估器 案例5-1:交叉验证 5.2 交叉验证评分 案例5-2:交叉验证评分 第6章 决策树 6.1 决策树算法 6.1.1 ID3 算法与C4.5 算法 6.1.2 常用决策树算法 6.1.3 sklearn 内置决策树算法 6.2 决策树回归函数 案例6-1:决策树回归算法 6.3 决策树分类函数 案例6-2:决策树分类算法 6.4 GBDT算法 6.5 迭代决策树函数 案例6-3:GBDT 回归算法 案例6-4:GBDT 分类算法 第7章 随机森林算法和极端随机树算法 7.1 随机森林函数 7.2 决策树测试框架 案例7-1:RF 回归算法大测试 7.3 决策树测试函数 案例7-2:上证的RF 回归频道 案例7-3:当比特币碰到RF 回归算法 案例7-4:上证和RF 分类算法 7.4 极端随机树算法 7.5 极端随机树函数 案例7-5:极端随机树回归算法 案例7-6:上证指数案例应用 案例7-7:ET、比特币,谁更极端 第8章 机器学习算法模式 8.1 学习模式 8.2 机器学习五大流派 8.3 经典机器学习算法 8.4 小结 第9章 概率编程 9.1 朴素贝叶斯的上证之旅 案例9-1:上证朴素贝叶斯算法 9.2 隐马尔可夫模型 案例9-2:HMM 模型与模型保存 案例9-3:HMM 算法与模型读取 第10章 实例算法 K最近邻算法 案例10-1:第一次惊喜——KNN 算法 案例10-2:KNN 分类 第11章 正则化算法 11.1 岭回归算法 案例11-1:新高度——岭回归算法 11.2 套索回归算法 案例11-2:套索回归算法应用 11.3 弹性网络算法 案例11-3:弹性网络算法应用 11.4 最小角回归算法 案例11-4:LARS 算法应用 第12章 聚类分析 12.1 K均值算法 案例12-1:K 均值算法应用 12.2 BIRCH算法 案例12-2:BIRCH 算法应用 12.3 小结 第13章 降维算法 13.1 主成分分析 案例13-1:主成分分析的应用 案例13-2:PCA 算法的上证戏法 13.2 奇异值分解算法 案例13-3:奇异果传说:SVD 第14章 集成算法 14.1 sklearn内置集成算法 14.2 装袋算法 案例14-1:装袋回归算法 案例14-2:装袋分类算法 14.3 AdaBoost迭代算法 案例14-3:AdaBoost 迭代回归算法 案例14-4:AdaBoost 迭代分类算法 第15章 支持向量机 15.1 支持向量机算法 15.2 SVM函数接口 案例15-1:SVM 回归算法 案例15-2:SVM 分类算法 第16章 人工神经网络算法 多层感知器 案例16-1:多层感知器回归算法 案例16-2:多层感知器分类算法 附录A sklearn常用模块和函数 附录B 量化分析常用指标