目錄
第1部分　Python與金融
第1章　為什麼將Python用於金融 3
1.1　Python編程語言 3
1.1.1　Python簡史 5
1.1.2　Python生態係統 6
1.1.3　Python用戶譜係 7
1.1.4　科學棧 7
1.2　金融中的科技 8
1.2.1　科技投入 9
1.2.2　作為業務引擎的科技 9
1.2.3　作為進入門檻的科技和人纔 10
1.2.4　不斷提高的速度、頻率和數據量 10
1.2.5　實時分析的興起 11
1.3　用於金融的Python 12
1.3.1　金融和Python語法 12
1.3.2　Python的效率和生産率 16
1.3.3　從原型化到生産 20
1.4　數據驅動和人工智能優先的金融學 21
1.4.1　數據驅動金融學 21
1.4.2　人工智能優先金融學 24
1.5　結語 26
1.6　延伸閱讀 27
第2章　Python基礎架構 29
2.1　作為包管理器使用的conda 31
2.1.1　安裝Miniconda 31
2.1.2　conda基本操作 33
2.2　作為虛擬環境管理器的conda 37
2.3　使用Docker容器 41
2.3.1　Docker鏡像和容器 41
2.3.2　構建Ubuntu和Python Docker鏡像 42
2.4　使用雲實例 46
2.4.1　RSA公鑰和私鑰 47
2.4.2　Jupyter Notebook配置文件 48
2.4.3　Python和Jupyter Notebook安裝腳本 49
2.4.4　協調Droplet設置的腳本 51
2.5　結語 52
2.6　延伸閱讀 53
第2部分　掌握基礎知識
第3章　數據類型與結構 57
3.1　基本數據類型 58
3.1.1　整數 58
3.1.2　浮點數 59
3.1.3　布爾值 61
3.1.4　字符串 65
3.1.5　題外話：打印和字符串替換 66
3.1.6　題外話：正則錶達式 69
3.2　基本數據結構 71
3.2.1　元組 71
3.2.2　列錶 72
3.2.3　題外話：控製結構 74
3.2.4　題外話：函數式編程 75
3.2.5　字典 76
3.2.6　集閤 78
3.3　結語 79
3.4　延伸閱讀 79
第4章　用NumPy進行數值計算 81
4.1　數據數組 82
4.1.1　用Python列錶形成數組 82
4.1.2　Python array類 84
4.2　常規NumPy數組 86
4.2.1　基礎知識 86
4.2.2　多維數組 89
4.2.3　元信息 93
4.2.4　改變組成與大小 93
4.2.5　布爾數組 97
4.2.6　速度對比 99
4.3　NumPy結構數組 100
4.4　代碼嚮量化 102
4.4.1　基本嚮量化 102
4.4.2　內存布局 105
4.5　結語 107
4.6　延伸閱讀 108
第5章　pandas數據分析 109
5.1　DataFrame類 110
5.1.1　使用DataFrame類的第一步 110
5.1.2　使用DataFrame類的第二步 114
5.2　基本分析 118
5.3　基本可視化 122
5.4　Series類 124
5.5　GroupBy操作 126
5.6　復雜選擇 128
5.7　聯接、連接和閤並 131
5.7.1　聯接 132
5.7.2　連接 133
5.7.3　閤並 135
5.8　性能特徵 137
5.9　結語 139
5.10　延伸閱讀 140
第6章　麵嚮對象編程 141
6.1　Python對象簡介 145
6.1.1　int 145
6.1.2　list 146
6.1.3　ndarray 146
6.1.4　DataFrame 148
6.2　Python類基礎知識 149
6.3　Python數據模型 154
6.4　Vector類 158
6.5　結語 159
6.6　延伸閱讀 159
第3部分　金融數據科學
第7章　數據可視化 163
7.1　靜態2D繪圖 164
7.1.1　一維數據集 164
7.1.2　二維數據集 170
7.1.3　其他繪圖樣式 177
7.2　靜態3D繪圖 184
7.3　交互式2D繪圖 188
7.3.1　基本圖錶 188
7.3.2　金融圖錶 192
7.4　結語 196
7.5　延伸閱讀 196
第8章　金融時間序列 197
8.1　金融數據 198
8.1.1　數據導入 198
8.1.2　匯總統計 201
8.1.3　隨時間推移的變化 203
8.1.4　重新采樣 207
8.2　滾動統計 209
8.2.1　概述 209
8.2.2　技術分析示例 211
8.3　相關分析 213
8.3.1　數據 213
8.3.2　對數迴報率 214
8.3.3　OLS迴歸 216
8.3.4　相關 217
8.4　高頻數據 218
8.5　結語 220
8.6　延伸閱讀 220
第9章　輸入/輸齣操作 221
9.1　Python基本I/O 222
9.1.1　將對象寫入磁盤 222
9.1.2　讀取和寫入文本文件 225
9.1.3　使用SQL數據庫 229
9.1.4　讀寫NumPy數組 232
9.2　pandas的I/O 234
9.2.1　使用SQL數據庫 235
9.2.2　從SQL到pandas 237
9.2.3　使用CSV文件 239
9.2.4　使用Excel文件 240
9.3　PyTables的I/O 242
9.3.1　使用錶 242
9.3.2　使用壓縮錶 250
9.3.3　使用數組 252
9.3.4　內存外計算 253
9.4　TsTables的I/O 256
9.4.1　樣闆數據 257
9.4.2　數據存儲 258
9.4.3　數據檢索 259
9.5　結語 261
9.6　延伸閱讀 262
第10章　高性能的Python 265
10.1　循環 266
10.1.1　Python 266
10.1.2　NumPy 267
10.1.3　Numba 268
10.1.4　Cython 269
10.2　算法 271
10.2.1　質數 271
10.2.2　斐波那契數 275
10.2.3　π 279
10.3　二叉樹 283
10.3.1　Python 283
10.3.2　NumPy 285
10.3.3　Numba 286
10.3.4　Cython 287
10.4　濛特卡洛模擬 288
10.4.1　Python 289
10.4.2　NumPy 291
10.4.3　Numba 291
10.4.4　Cython 292
10.4.5　多進程 293
10.5　pandas遞歸算法 294
10.5.1　Python 294
10.5.2　Numba 296
10.5.3　Cython 296
10.6　結語 297
10.7　延伸閱讀 298
第11章　數學工具 299
11.1　逼近法 299
11.1.1　迴歸 301
11.1.2　插值 310
11.2　凸優化 314
11.2.1　全局優化 315
11.2.2　局部優化 317
11.2.3　有約束優化 318
11.3　積分 320
11.3.1　數值積分 321
11.3.2　通過模擬求取積分 322
11.4　符號計算 323
11.4.1　基礎知識 323
11.4.2　方程式 325
11.4.3　積分與微分 325
11.4.4　微分 326
11.5　結語 328
11.6　延伸閱讀 328
第12章　推斷統計學 331
12.1　隨機數 332
12.2　模擬 338
12.2.1　隨機變量 338
12.2.2　隨機過程 341
12.2.3　方差縮減 356
12.3　估值 359
12.3.1　歐式期權 359
12.3.2　美式期權 364
12.4　風險測度 367
12.4.1　風險價值 367
12.4.2　信用價值調整 371
12.5　Python腳本 374
12.6　結語 377
12.7　延伸閱讀 377
第13章　統計學 379
13.1　正態性檢驗 380
13.1.1　基準案例 381
13.1.2　真實數據 390
13.2　投資組閤優化 396
13.2.1　數據 396
13.2.2　基本理論 398
13.2.3　最優投資組閤 401
13.2.4　有效邊界 404
13.2.5　資本市場綫 405
13.3　貝葉斯統計 408
13.3.1　貝葉斯公式 409
13.3.2　貝葉斯迴歸 410
13.3.3　兩種金融工具 414
13.3.4　隨時更新估算值 418
13.4　機器學習 423
13.4.1　無監督學習 423
13.4.2　有監督學習 426
13.5　結語 441
13.6　延伸閱讀 441
第4部分　算法交易
第14章　FXCM交易平颱 445
14.1　入門 446
14.2　讀取數據 447
14.2.1　讀取分筆交易數據 447
14.2.2　讀取K綫（蠟燭圖）數據 449
14.3　使用API 451
14.3.1　讀取曆史數據 452
14.3.2　讀取流數據 454
14.3.3　下單 455
14.3.4　賬戶信息 457
14.4　結語 457
14.5　延伸閱讀 458
第15章　交易策略 459
15.1　簡單移動平均數 460
15.1.1　數據導入 460
15.1.2　交易策略 461
15.1.3　嚮量化事後檢驗 463
15.1.4　優化 465
15.2　隨機遊走假設 467
15.3　綫性OLS迴歸 469
15.3.1　數據 470
15.3.2　迴歸 472
15.4　聚類 474
15.5　頻率方法 476
15.6　分類 479
15.6.1　兩個二元特徵 479
15.6.2　5個二元特徵 480
15.6.3　5個數字化特徵 482
15.6.4　順序訓練-測試分離 484
15.6.5　隨機訓練-測試分離 485
15.7　深度神經網絡 486
15.7.1　用scikit-learn實現DNN 486
15.7.2　用TensorFlow實現DNN 489
15.8　結語 492
15.9　延伸閱讀 493
第16章　自動化交易 495
16.1　資本管理 496
16.1.1　二項設定中的凱利標準 496
16.1.2　用於股票及指數的凱利標準 500
16.2　基於ML的交易策略 505
16.2.1　嚮量化事後檢驗 505
16.2.2　最優杠杆 510
16.2.3　風險分析 512
16.2.4　持久化模型對象 515
16.3　在綫算法 516
16.4　基礎設施與部署 518
16.5　日誌與監控 519
16.6　結語 521
16.7　Python腳本 522
16.7.1　自動化交易策略 522
16.7.2　策略監控 525
16.8　延伸閱讀 525
第5部分　衍生品分析
第17章　估值框架 529
17.1　資産定價基本定理 529
17.1.1　簡單示例 530
17.1.2　一般結果 530
17.2　風險中立摺現 532
17.2.1　日期建模與處理 532
17.2.2　恒定短期利率 534
17.3　市場環境 536
17.4　結語 539
17.5　延伸閱讀 540
第18章　金融模型的模擬 541
18.1　隨機數生成 542
18.2　通用模擬類 544
18.3　幾何布朗運動 548
18.3.1　模擬類 548
18.3.2　用例 550
18.4　跳躍擴散 553
18.4.1　模擬類 553
18.4.2　用例 556
18.5　平方根擴散 557
18.5.1　模擬類 558
18.5.2　用例 560
18.6　結語 561
18.7　延伸閱讀 563
第19章　衍生品估值 565
19.1　通用估值類 566
19.2　歐式行權 570
19.2.1　估值類 570
19.2.2　用例 572
19.3　美式行權 577
19.3.1　最小二乘濛特卡洛方法 577
19.3.2　估值類 578
19.3.3　用例 580
19.4　結語 583
19.5　延伸閱讀 585
第20章　投資組閤估值 587
20.1　衍生品頭寸 588
20.1.1　類 588
20.1.2　用例 590
20.2　衍生品投資組閤 592
20.2.1　類 592
20.2.2　用例 597
20.3　結語 604
20.4　延伸閱讀 605
第21章　基於市場的估值 607
21.1　期權數據 608
21.2　模型檢驗 610
21.2.1　相關市場數據 611
21.2.2　期權建模 612
21.2.3　檢驗過程 615
21.3　投資組閤估值 620
21.3.1　建立期權頭寸模型 621
21.3.2　期權投資組閤 622
21.4　Python代碼 623
21.5　結語 625
21.6　延伸閱讀 626
附錄A　日期與時間 627
A.1　Python 627
A.2　NumPy 633
A.3　pandas 636
附錄B　BSM期權類 641
B.1　類定義 641
B.2　類的使用 643
· · · · · · (收起)