Python机器学习与量化投资PDF电子书下载

第1章 Python与机器学习 1

1.1 scikit-learn模块库 2

1.1.1 scikit-learn的缺点 3

1.1.2 scikit-learn算法模块 4

1.1.3 scikit-learn六大功能 5

1.2 开发环境搭建 8

1.2.1 AI领域的标准编程语言：Python 8

1.2.2 zwPython：难度降低90％，性能提高10倍 9

1.2.3 “零对象”编程模式 11

1.2.4 开发平台搭建 12

1.2.5 程序目录结构 12

案例1-1：重点模块版本测试 13

1.3 机器学习：从忘却开始 17

1.4 学习路线图 20

第2章 机器学习编程入门 21

2.1 经典机器学习算法 21

2.2 经典爱丽丝 22

案例2-1：经典爱丽丝 24

案例2-2：爱丽丝进化与文本矢量化 26

2.3 机器学习算法流程 28

2.4 机器学习数据集 28

案例2-3：爱丽丝分解 29

2.5 数据切割函数 33

2.6 线性回归算法 34

案例2-4：爱丽丝回归 35

第3章 金融数据的预处理 40

3.1 至简归一法 40

案例3-1：麻烦的外汇数据 41

案例3-2：尴尬的日元 45

案例3-3：凶残的比特币 49

3.2 股票池与Rebase 51

3.2.1 股票池 51

3.2.2 Rebase与归一化 52

案例3-4：股票池Rebase归一化 53

3.3 金融数据切割 57

案例3-5：当上证遇到机器学习 58

3.4 preprocessing模块 63

案例3-6：比特币与标准化 65

案例3-7：比特币与归一化 69

第4章 机器学习快速入门 72

4.1 回归算法 72

4.2 LR线性回归模型 73

案例4-1：上证指数之LR回归事件 76

4.3 常用评测指标 81

4.4 多项式回归 83

案例4-2：上证指数的多项式故事 83

案例4-3：预测比特币价格 86

4.5 逻辑回归算法模型 87

案例4-4：上证指数预测逻辑回归版 88

第5章 模型验证优化 96

5.1 交叉验证评估器 96

案例5-1：交叉验证 98

5.2 交叉验证评分 101

案例5-2：交叉验证评分 101

第6章 决策树 103

6.1 决策树算法 103

6.1.1 ID3算法与C4.5算法 105

6.1.2 常用决策树算法 106

6.1.3 sklearn内置决策树算法 107

6.2 决策树回归函数 109

案例6-1：决策树回归算法 110

6.3 决策树分类函数 115

案例6-2：决策树分类算法 116

6.4 GBDT算法 121

6.5 迭代决策树函数 122

案例6-3：GBDT回归算法 123

案例6-4：GBDT分类算法 128

第7章 随机森林算法和极端随机树算法 133

7.1 随机森林函数 135

7.2 决策树测试框架 137

案例7-1：RF回归算法大测试 138

7.3 决策树测试函数 140

案例7-2：上证的RF回归频道 142

案例7-3：当比特币碰到RF回归算法 146

案例7-4：上证和RF分类算法 147

7.4 极端随机树算法 150

7.5 极端随机树函数 151

案例7-5：极端随机树回归算法 152

案例7-6：上证指数案例应用 154

案例7-7：ET、比特币，谁更极端 155

第8章 机器学习算法模式 159

8.1 学习模式 161

8.2 机器学习五大流派 164

8.3 经典机器学习算法 165

8.4 小结 166

第9章 概率编程 167

9.1 朴素贝叶斯的上证之旅 168

案例9-1：上证朴素贝叶斯算法 170

9.2 隐马尔可夫模型 175

案例9-2：HMM模型与模型保存 176

案例9-3：HMM算法与模型读取 180

第10章 实例算法 185

K最近邻算法 186

案例10-1：第一次惊喜——KNN算法 187

案例10-2：KNN分类 190

第11章 正则化算法 192

11.1 岭回归算法 193

案例11-1：新高度——岭回归算法 195

11.2 套索回归算法 197

案例11-2：套索回归算法应用 199

11.3 弹性网络算法 201

案例11-3：弹性网络算法应用 202

11.4 最小角回归算法 204

案例11-4：LARS算法应用 204

第12章 聚类分析 206

12.1 K均值算法 207

案例12-1：K均值算法应用 208

12.2 BIRCH算法 210

案例12-2：BIRCH算法应用 211

12.3 小结 213

第13章 降维算法 215

13.1 主成分分析 216

案例13-1：主成分分析的应用 218

案例13-2：PCA算法的上证戏法 223

13.2 奇异值分解算法 227

案例13-3：奇异果传说：SVD 228

第14章 集成算法 229

14.1 sklearn内置集成算法 231

14.2 装袋算法 232

案例14-1：装袋回归算法 232

案例14-2：装袋分类算法 234

14.3 AdaBoost迭代算法 236

案例14-3：AdaBoost迭代回归算法 237

案例14-4：AdaBoost迭代分类算法 239

第15章 支持向量机 242

15.1 支持向量机算法 242

15.2 SVM函数接口 244

案例15-1：SVM回归算法 245

案例15-2：SVM分类算法 247

第16章 人工神经网络算法 250

多层感知器 252

案例16-1：多层感知器回归算法 253

案例16-2：多层感知器分类算法 256

附录A sklearn常用模块和函数 259

附录B 量化分析常用指标 284