MXNet神经网络与量化投资

出版者:电子工业出版社

作者:TOP 极宽量化开源组

页数:312

出版时间:2018-11

价格:99

装帧:平装

isbn号码:9787121351532

丛书系列:金融科技丛书

具体描述

MXNet是亚马逊的深度学习库，以简单、高效、容易使用而著称。它拥有类似于Theano和TensorFlow的数据流图，为多GPU装置提供了良好的配置。《MXNet神经网络与量化投资》以MXNet作为研究实践平台，实现量化投资交易。书中主要介绍了在MXNet环境下，利用深度学习常用算法，实现线性、MLP、CNN卷积、GoogLeNet、ResNet深度残差、RNN循环神经网络、DenseNet稠密神经网络等多种模型在量化投资和股价预测方面的应用，同时采用NLP语义分析技术，対股票价格走势进行统计分析，以及金融数据的可视化分析，得到更直观的模型分析效果，通过先进的人工智能模型，在量化投资领域中取得较高收益。

目录信息

第1章 快速入门 1
1.1 MXNet简介 1
1.2 CUDA运行环境安装 4
1.3 MXNet运行环境安装 5
1.3.1 下载MXNet模块库 6
1.3.2 安装MXNet模块库预处理 6
1.3.3 安装MXNet模块库 9
案例1-1：重点模块版本测试 10
案例1-2：MXNet安装包测试 12
1.4 GPU开发环境测试 13
案例1-3：GPU开发环境测试 13
1.5 量化GPU工作站推荐配置 15
第2章 基本操作 18
2.1 NDArray数组 18
案例2-1：NDArray数组常用功能 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计算 28
2.3 Matplotlib画图 30
案例2-4：Matplotlib常用功能 30
案例2-5：多子图绘制 31
2.4 常用数据文件 33
案例2-6：读取金融数据 33
2.5 TA-Lib金融模块库 36
2.6 MA移动平均线 40
案例2-7：MA均线指标 41
案例2-8：多MA均线指标 44
2.7 常用工具函数包 47
第3章 数据预处理 53
3.1 数据与预处理背景介绍 53
3.2 数据预处理常用技术 54
3.3 归一化 55
案例3-1：MinMaxScaler归一化 56
案例3-2：Standardization标准化 57
3.4 缺失值 58
案例3-3：Imputer缺失值补充 59
3.5 多项式特征 60
案例3-4：PolynomialFeatures多项式特征 60
第4章 线性神经网络模型 62
4.1 线性神经网络 62
案例4-1：line上证指数n+1价格预测 64
4.2 Logistic逻辑回归模型 76
案例4-2：Logistic上证指数涨跌预测 78
第5章 MLP神经网络模型 86
5.1 MLP多层感知器 86
案例5-1：MLP上证指数n+1价格预测 88
5.2 SMA简单均线量化策略 99
案例5-2：MLP上证指数n+1价格预测均线增强版 99
第6章 CNN卷积神经网络 104
6.1 CNN卷积神经网络简介 104
常用激活函数介绍 106
案例6-1：CNN上证指数n+1价格预测 109
6.2 ADX平均趋向量化投资策略 115
案例6-2：CNN上证指数n+1价格预测ADX增强版 116
第7章 GoogLeNet谷歌神经网络模型 121
7.1 GoogLeNet谷歌深度卷积神经网络模型 121
案例7-1：GoogLeNet上证指数n+1价格预测 123
7.2 KELCH肯特纳通道量化投资策略 135
案例7-2：GoogLeNet上证指数n+1价格预测（2） 135
第8章 ResNet深度残差网络模型 139
8.1 ResNet深度残差神经网络模型 139
8.2 Money Flow资金流向指标 142
案例8-1：ResNet深度残差时间序列预测A股资金流向 144
8.3 MOM动量线量化投资策略 149
第9章 RNN循环神经网络模型 150
9.1 RNN循环神经网络 150
9.2 RSI相对强弱指标 152
案例9-1：RNN上证指数n+1价格预测 153
9.3 IRNN修正循环神经网络 174
案例9-2：IRNN上证指数n+1价格预测 174
第10章 DenseNet稠密神经网络模型 178
10.1 DenseNet稠密神经网络模型 178
案例10-1：DenseNet上证指数n+1价格预测 180
10.2 OBV能量潮量化投资策略 187
案例10-2：DenseNet上证指数n+1价格预测 187
第11章 文本数据挖掘与量化 192
11.1 财经新闻数据 192
案例11-1a：获取财经新闻 193
11.2 直播新闻 195
案例11-1b：获取直播新闻 195
11.3 信息地雷 197
案例11-1c：获取信息地雷 198
11.4 定时器 199
案例11-2：进阶脚本——定时器 200
11.5 新闻数据库 206
案例11-3：使用sqlalchemy新闻数据库 206
第12章 财经新闻情感分类 214
12.1 文本数据分类 214
12.2 NLP与财经新闻数据 215
12.3 微博短文本数据情感分类 216
案例12-1：微博情感分类 217
12.4 贝叶斯微博情感分类器 236
案例12-2：微博数据情感分类2 237
第13章 金融数据可视化分析 245
13.1 Plotly绘图模块简介 245
案例13-1：Plotly入门案例 252
案例13-2：线形图与散点图 253
案例13-3：气泡图 255
案例13-4：柱状图 256
案例13-5：直方图 258
案例13-6：饼图 259
13.2 金融数据绘图 261
案例13-7：K线图 261
案例13-8：高级绘图1 263
13.3 Plotly高级绘图扩展 264
案例13-9：复合金融指标 264
案例13-10：高级绘图2 265
附录A Python快速入门 267
案例1：第一次编程“hello,ziwang” 267
案例2：增强版“hello,ziwang” 269
案例3：列举系统模块库清单 271
案例4：常用绘图风格 272
案例5：Pandas常用绘图风格 274
案例6：常用颜色表cors 275
案例7：基本运算 278
案例8：字符串入门 280
案例9：字符串常用方法 281
案例10：列表操作 283
案例11：元组操作 285
案例12：字典操作 286
案例13：控制语句 288
案例14：函数定义 290
附录B TA-Lib金融软件包 292
附录C 量化分析常用指标 297
· · · · · · (收起)

用户评价

这本书简直是为我量身定制的！我一直对深度学习的理论基础很感兴趣，但市面上的教材要么过于晦涩难懂，要么就是只停留在表面概念，真正能让人深入理解其工作原理的书太少了。这本书的讲解方式非常系统，它没有直接跳到复杂的模型，而是从最基础的数学原理和编程实现入手，一步步搭建起对神经网络的直观认识。我特别欣赏作者在解释梯度下降和反向传播时所用的类比和图示，这比那些纯粹的公式推导要生动得多。看完前几章，我感觉自己对“黑箱”里的运作机制有了一个清晰的蓝图，不再是盲目地调用API。而且，它在代码实现上也非常注重可读性和模块化，跟着书中的例子敲一遍，不仅能跑通代码，更能明白每一行代码背后的数学含义，这种理论与实践的完美结合，是我目前看过的相关书籍中最出色的。

说实话，我原本对“量化投资”这个领域抱着一种敬畏又好奇的态度，总觉得那是金融精英才能触及的高深学问。但这本书的出现彻底改变了我的看法。作者以一种非常接地气的方式，将原本看似高不可攀的金融数据分析和复杂的模型应用结合了起来。它详尽地介绍了如何清洗、预处理金融时间序列数据，以及如何构建能够适应市场波动的模型架构。最让我印象深刻的是关于风险管理和回测策略的部分。作者不仅教我们如何构建模型，更重要的是教我们如何科学地评估模型的稳健性和实战价值，而不是一味追求高收益。这种严谨的科学态度，以及对金融市场特殊性的深刻理解，让这本书的价值远远超出了单纯的技术手册，更像是一本实战指南。

坦白说，市面上关于深度学习的书籍汗牛充栋，但真正能将理论深度、工程实践和特定应用领域（如金融）有机结合得如此紧密的，凤毛麟角。这本书的独特之处在于其“跨界融合”的视野。它没有固步自封于纯粹的计算机科学领域，而是大胆地将最前沿的神经网络技术引入到对市场规律的探索中。我特别喜欢它对“可解释性”的讨论，在金融这个对决策依据要求极高的领域，模型“为什么”做出这个判断，往往比“做了什么判断”更重要。书中对模型可解释性方法的介绍，结合具体的交易场景进行了分析，这让我深刻体会到，高科技的应用必须建立在对业务场景深刻理解的基础之上，否则再强大的算法也只是空中楼阁。

我接触过不少介绍深度学习框架的书籍，大多都专注于展示框架的强大功能，但很少有人能真正把“如何设计一个好的实验”讲透彻。这本书在这方面做得非常到位。它不仅仅是工具的使用说明书，更像是一位资深研究员在传授他的经验。书中关于模型结构选择、超参数调优的探讨，都是基于大量的实战案例和深刻的洞察。例如，它讨论了在处理高频数据时，不同激活函数和正则化方法对模型稳定性的影响，这些都是我在自己实践中遇到瓶颈时最需要知道的细节。阅读下来，我感觉自己不仅仅是在学习一个框架的操作流程，更是在学习一种系统性的、可复用的研究方法论，这对于任何想要深入研究机器学习应用的人来说，都是无价之宝。

这本书的排版和语言风格处理得非常优雅，让人读起来毫无压力。我通常比较害怕那种术语堆砌、句子冗长的技术书籍，但这本书的叙述流畅自然，仿佛是作者在与读者进行一次深入的学术交流。特别是对一些前沿概念的引入，比如迁移学习在金融时间序列预测中的潜在应用，作者都能够用清晰的逻辑和形象的比喻来阐述复杂的概念，使得即便是跨专业背景的读者也能迅速跟上思路。这种兼顾学术深度和可读性的能力，是很多技术书籍难以企及的。我常常在工作间隙翻阅，总能从中获得新的启发，而不是被厚重的文字压垮。