MXNet神經(jīng)網(wǎng)絡(luò)與量化投資

定　價(jià)：￥99.00

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

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787121351532	出版時(shí)間：	2018-11-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　MXNet是亞馬xun的深度學(xué)習(xí)庫(kù)，以簡(jiǎn)單、高效、容易使用而著稱(chēng)。它擁有類(lèi)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?！禡XNet神經(jīng)網(wǎng)絡(luò)與量化投資》以MXNet作為研究實(shí)踐平臺(tái)，實(shí)現(xiàn)量化投資交易。書(shū)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(shí)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(jià)預(yù)測(cè)方面的應(yīng)用，同時(shí)采用NLP語(yǔ)義分析技術(shù)，対股票價(jià)格走勢(shì)進(jìn)行統(tǒng)計(jì)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(guò)先進(jìn)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(jiǎn)介

　　TopQuant.vip極寬量化開(kāi)源團(tuán)隊(duì)，是個(gè)開(kāi)源公益組織，組建于2015年12月。作為一個(gè)年輕的開(kāi)源團(tuán)隊(duì)，在短短幾年間，團(tuán)隊(duì)成員快速擴(kuò)展到數(shù)百人。目前，極寬TopQuant量化開(kāi)源團(tuán)隊(duì)，已經(jīng)成為業(yè)內(nèi)規(guī)模較大的Python量化團(tuán)隊(duì)。團(tuán)隊(duì)發(fā)起人是何海群，網(wǎng)名：字王，CHRD前海智庫(kù)CTO，《中華大字庫(kù)》發(fā)明人，出版書(shū)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(zhuān)業(yè)經(jīng)驗(yàn)；zwPython開(kāi)發(fā)平臺(tái)、zwQuant量化軟件設(shè)計(jì)師，中國(guó)“Python創(chuàng)客”項(xiàng)目和“Python產(chǎn)業(yè)聯(lián)盟”發(fā)起人，國(guó)內(nèi)首個(gè)Python量化課程：《Python量化實(shí)盤(pán)·魔鬼訓(xùn)練營(yíng)》創(chuàng)始人，極寬量化開(kāi)源團(tuán)隊(duì)的創(chuàng)始人。

圖書(shū)目錄

第1章快速入門(mén) 1
1.1 MXNet簡(jiǎn)介 1
1.2 CUDA運(yùn)行環(huán)境安裝 4
1.3 MXNet運(yùn)行環(huán)境安裝 5
1.3.1 下載MXNet模塊庫(kù) 6
1.3.2 安裝MXNet模塊庫(kù)預(yù)處理 6
1.3.3 安裝MXNet模塊庫(kù) 9
案例1-1：重點(diǎn)模塊版本測(cè)試 10
案例1-2：MXNet安裝包測(cè)試 12
1.4 GPU開(kāi)發(fā)環(huán)境測(cè)試 13
案例1-3：GPU開(kāi)發(fā)環(huán)境測(cè)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(jì)算 28
2.3 Matplotlib畫(huà)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(kù) 36
2.6 MA移動(dòng)平均線 40
案例2-7：MA均線指標(biāo) 41
案例2-8：多MA均線指標(biāo) 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(biāo)準(zhǔn)化 57
3.4 缺失值 58
案例3-3：Imputer缺失值補(bǔ)充 59
3.5 多項(xiàng)式特征 60
案例3-4：PolynomialFeatures多項(xiàng)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(jià)格預(yù)測(cè) 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(cè) 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(jià)格預(yù)測(cè) 88
5.2 SMA簡(jiǎn)單均線量化策略 99
案例5-2：MLP上證指數(shù)n+1價(jià)格預(yù)測(cè)均線增強(qiáng)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(jiǎn)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(jià)格預(yù)測(cè) 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(jià)格預(yù)測(cè)ADX增強(qiáng)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(jià)格預(yù)測(cè) 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(jià)格預(yù)測(cè)（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(biāo) 142
案例8-1：ResNet深度殘差時(shí)間序列預(yù)測(cè)A股資金流向 144
8.3 MOM動(dòng)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(duì)強(qiáng)弱指標(biāo) 152
案例9-1：RNN上證指數(shù)n+1價(jià)格預(yù)測(cè) 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(jià)格預(yù)測(cè) 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(jià)格預(yù)測(cè) 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(jià)格預(yù)測(cè) 187
第11章文本數(shù)據(jù)挖掘與量化 192
11.1 財(cái)經(jīng)新聞數(shù)據(jù) 192
案例11-1a：獲取財(cái)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(shí)器 199
案例11-2：進(jìn)階腳本——定時(shí)器 200
11.5 新聞數(shù)據(jù)庫(kù) 206
案例11-3：使用sqlalchemy新聞數(shù)據(jù)庫(kù) 206
第12章財(cái)經(jīng)新聞情感分類(lèi) 214
12.1 文本數(shù)據(jù)分類(lèi) 214
12.2 NLP與財(cái)經(jīng)新聞數(shù)據(jù) 215
12.3 微博短文本數(shù)據(jù)情感分類(lèi) 216
案例12-1：微博情感分類(lèi) 217
12.4 貝葉斯微博情感分類(lèi)器 236
案例12-2：微博數(shù)據(jù)情感分類(lèi)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(jiǎn)介 245
案例13-1：Plotly入門(mén)案例 252
案例13-2：線形圖與散點(diǎn)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(jí)繪圖1 263
13.3 Plotly高級(jí)繪圖擴(kuò)展 264
案例13-9：復(fù)合金融指標(biāo) 264
案例13-10：高級(jí)繪圖2 265
附錄A Python快速入門(mén) 267
案例1：第一次編程“hello,ziwang” 267
案例2：增強(qiáng)版“hello,ziwang” 269
案例3：列舉系統(tǒng)模塊庫(kù)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(yùn)算 278
案例8：字符串入門(mén) 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(yǔ)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(biāo) 297