MXNet神經(jīng)網(wǎng)絡(luò)與量化投資

定　價：￥99.00

作　者：	TOP極寬量化開源組著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121351532	出版時間：	2018-11-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　MXNet是亞馬xun的深度學(xué)習(xí)庫，以簡單、高效、容易使用而著稱。它擁有類似于Theano和TensorFlow的數(shù)據(jù)流圖，為多GPU裝置提供了良好的配置。《MXNet神經(jīng)網(wǎng)絡(luò)與量化投資》以MXNet作為研究實踐平臺，實現(xiàn)量化投資交易。書中主要介紹了在MXNet環(huán)境下，利用深度學(xué)習(xí)常用算法，實現(xiàn)線性、MLP、CNN卷積、GoogLeNet、ResNet深度殘差、RNN循環(huán)神經(jīng)網(wǎng)絡(luò)、DenseNet稠密神經(jīng)網(wǎng)絡(luò)等多種模型在量化投資和股價預(yù)測方面的應(yīng)用，同時采用NLP語義分析技術(shù)，対股票價格走勢進行統(tǒng)計分析，以及金融數(shù)據(jù)的可視化分析，得到更直觀的模型分析效果，通過先進的人工智能模型，在量化投資領(lǐng)域中取得較高收益。

作者簡介

　　TopQuant.vip極寬量化開源團隊，是個開源公益組織，組建于2015年12月。作為一個年輕的開源團隊，在短短幾年間，團隊成員快速擴展到數(shù)百人。目前，極寬TopQuant量化開源團隊，已經(jīng)成為業(yè)內(nèi)規(guī)模較大的Python量化團隊。團隊發(fā)起人是何海群，網(wǎng)名：字王，CHRD前海智庫CTO，《中華大字庫》發(fā)明人，出版書籍20余部，在人工智能、數(shù)據(jù)分析等方面具有20年一線專業(yè)經(jīng)驗；zwPython開發(fā)平臺、zwQuant量化軟件設(shè)計師，中國“Python創(chuàng)客”項目和“Python產(chǎn)業(yè)聯(lián)盟”發(fā)起人，國內(nèi)首個Python量化課程：《Python量化實盤·魔鬼訓(xùn)練營》創(chuàng)始人，極寬量化開源團隊的創(chuàng)始人。

圖書目錄

第1章快速入門 1
1.1 MXNet簡介 1
1.2 CUDA運行環(huán)境安裝 4
1.3 MXNet運行環(huán)境安裝 5
1.3.1 下載MXNet模塊庫 6
1.3.2 安裝MXNet模塊庫預(yù)處理 6
1.3.3 安裝MXNet模塊庫 9
案例1-1：重點模塊版本測試 10
案例1-2：MXNet安裝包測試 12
1.4 GPU開發(fā)環(huán)境測試 13
案例1-3：GPU開發(fā)環(huán)境測試 13
1.5 量化GPU工作站推薦配置 15
第2章基本操作 18
2.1 NDArray數(shù)組 18
案例2-1：NDArray數(shù)組常用功能 19
2.2 GPU加速模式 26
案例2-2：GPU加速功能 26
案例2-3：Gluon的GPU計算 28
2.3 Matplotlib畫圖 30
案例2-4：Matplotlib常用功能 30
案例2-5：多子圖繪制 31
2.4 常用數(shù)據(jù)文件 33
案例2-6：讀取金融數(shù)據(jù) 33
2.5 TA-Lib金融模塊庫 36
2.6 MA移動平均線 40
案例2-7：MA均線指標 41
案例2-8：多MA均線指標 44
2.7 常用工具函數(shù)包 47
第3章數(shù)據(jù)預(yù)處理 53
3.1 數(shù)據(jù)與預(yù)處理背景介紹 53
3.2 數(shù)據(jù)預(yù)處理常用技術(shù) 54
3.3 歸一化 55
案例3-1：MinMaxScaler歸一化 56
案例3-2：Standardization標準化 57
3.4 缺失值 58
案例3-3：Imputer缺失值補充 59
3.5 多項式特征 60
案例3-4：PolynomialFeatures多項式特征 60
第4章線性神經(jīng)網(wǎng)絡(luò)模型 62
4.1 線性神經(jīng)網(wǎng)絡(luò) 62
案例4-1：line上證指數(shù)n+1價格預(yù)測 64
4.2 Logistic邏輯回歸模型 76
案例4-2：Logistic上證指數(shù)漲跌預(yù)測 78
第5章 MLP神經(jīng)網(wǎng)絡(luò)模型 86
5.1 MLP多層感知器 86
案例5-1：MLP上證指數(shù)n+1價格預(yù)測 88
5.2 SMA簡單均線量化策略 99
案例5-2：MLP上證指數(shù)n+1價格預(yù)測均線增強版 99
第6章 CNN卷積神經(jīng)網(wǎng)絡(luò) 104
6.1 CNN卷積神經(jīng)網(wǎng)絡(luò)簡介 104
常用激活函數(shù)介紹 106
案例6-1：CNN上證指數(shù)n+1價格預(yù)測 109
6.2 ADX平均趨向量化投資策略 115
案例6-2：CNN上證指數(shù)n+1價格預(yù)測ADX增強版 116
第7章 GoogLeNet谷歌神經(jīng)網(wǎng)絡(luò)模型 121
7.1 GoogLeNet谷歌深度卷積神經(jīng)網(wǎng)絡(luò)模型 121
案例7-1：GoogLeNet上證指數(shù)n+1價格預(yù)測 123
7.2 KELCH肯特納通道量化投資策略 135
案例7-2：GoogLeNet上證指數(shù)n+1價格預(yù)測（2） 135
第8章 ResNet深度殘差網(wǎng)絡(luò)模型 139
8.1 ResNet深度殘差神經(jīng)網(wǎng)絡(luò)模型 139
8.2 Money Flow資金流向指標 142
案例8-1：ResNet深度殘差時間序列預(yù)測A股資金流向 144
8.3 MOM動量線量化投資策略 149
第9章 RNN循環(huán)神經(jīng)網(wǎng)絡(luò)模型 150
9.1 RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 150
9.2 RSI相對強弱指標 152
案例9-1：RNN上證指數(shù)n+1價格預(yù)測 153
9.3 IRNN修正循環(huán)神經(jīng)網(wǎng)絡(luò) 174
案例9-2：IRNN上證指數(shù)n+1價格預(yù)測 174
第10章 DenseNet稠密神經(jīng)網(wǎng)絡(luò)模型 178
10.1 DenseNet稠密神經(jīng)網(wǎng)絡(luò)模型 178
案例10-1：DenseNet上證指數(shù)n+1價格預(yù)測 180
10.2 OBV能量潮量化投資策略 187
案例10-2：DenseNet上證指數(shù)n+1價格預(yù)測 187
第11章文本數(shù)據(jù)挖掘與量化 192
11.1 財經(jīng)新聞數(shù)據(jù) 192
案例11-1a：獲取財經(jīng)新聞 193
11.2 直播新聞 195
案例11-1b：獲取直播新聞 195
11.3 信息地雷 197
案例11-1c：獲取信息地雷 198
11.4 定時器 199
案例11-2：進階腳本——定時器 200
11.5 新聞數(shù)據(jù)庫 206
案例11-3：使用sqlalchemy新聞數(shù)據(jù)庫 206
第12章財經(jīng)新聞情感分類 214
12.1 文本數(shù)據(jù)分類 214
12.2 NLP與財經(jīng)新聞數(shù)據(jù) 215
12.3 微博短文本數(shù)據(jù)情感分類 216
案例12-1：微博情感分類 217
12.4 貝葉斯微博情感分類器 236
案例12-2：微博數(shù)據(jù)情感分類2 237
第13章金融數(shù)據(jù)可視化分析 245
13.1 Plotly繪圖模塊簡介 245
案例13-1：Plotly入門案例 252
案例13-2：線形圖與散點圖 253
案例13-3：氣泡圖 255
案例13-4：柱狀圖 256
案例13-5：直方圖 258
案例13-6：餅圖 259
13.2 金融數(shù)據(jù)繪圖 261
案例13-7：K線圖 261
案例13-8：高級繪圖1 263
13.3 Plotly高級繪圖擴展 264
案例13-9：復(fù)合金融指標 264
案例13-10：高級繪圖2 265
附錄A Python快速入門 267
案例1：第一次編程“hello,ziwang” 267
案例2：增強版“hello,ziwang” 269
案例3：列舉系統(tǒng)模塊庫清單 271
案例4：常用繪圖風(fēng)格 272
案例5：Pandas常用繪圖風(fēng)格 274
案例6：常用顏色表cors 275
案例7：基本運算 278
案例8：字符串入門 280
案例9：字符串常用方法 281
案例10：列表操作 283
案例11：元組操作 285
案例12：字典操作 286
案例13：控制語句 288
案例14：函數(shù)定義 290
附錄B TA-Lib金融軟件包 292
附錄C 量化分析常用指標 297