Python金融量化分析

前言
第1篇 Python相關(guān)知識
第1章 Python基礎(chǔ)知識/
1.1 數(shù)據(jù)類型/
1.1.1 字符串/
1.1.2 列表/
1.1.3 元組/
1.1.4 字典/
1.2 運(yùn)算符/
1.2.1 算術(shù)運(yùn)算符/
1.2.2 比較運(yùn)算符/
1.2.3 賦值運(yùn)算符/
1.2.4 位運(yùn)算符/
1.3 條件語句/
1.4 循環(huán)語句及嵌套/
1.4.1 while循環(huán)/
1.4.2 for循環(huán)/
1.4.3 嵌套、break與continue/
1.5 函數(shù)/
1.5.1 參數(shù)傳遞/
1.5.2 不定長參數(shù)/
1.5.3 返回值/
第2章 類與面向?qū)ο?
2.1 類的基本概念/
2.2 類的屬性/
2.2.1 類屬性/
2.2.2 實(shí)例屬性/
2.3 類的方法/
2.3.1 實(shí)例方法/
2.3.2 類方法/
2.3.3 靜態(tài)方法/
2.4 類的繼承/
2.5 運(yùn)算符重載/
2.6 私有與保護(hù)類型/
2.7 直接賦值、淺復(fù)制和深度復(fù)制/
第3章 模塊、包與庫/
3.1 模塊的基本概念/
3.1.1 模塊的__dict__屬性/
3.1.2 導(dǎo)入模塊的幾種方法/
3.1.3 if __name__==__main__/
3.2 常用的標(biāo)準(zhǔn)庫模塊/
3.2.1 sys/
3.2.2 os/
3.2.3 glob/
3.2.4 datetime/
3.2.5 math/
3.2.6 thread/
3.2.7 urllib/
3.3 擴(kuò)展程序庫numPy/
3.3.1 numPy.ndarrays/
3.3.2 numPy數(shù)組的基本運(yùn)算/
3.3.3 矩陣運(yùn)算與隨機(jī)數(shù)生成/
3.4 擴(kuò)展程序庫pandas/
3.4.1 Series與DataFrame/
3.4.2 apply/
3.4.3 merge和append/
3.4.4 groupby/
3.4.5 read_csv和to_csv/
3.5 擴(kuò)展程序庫matplotlib/
3.5.1 figure與add_subplot/
3.5.2 matplotlib.pyplot.axes/
第2篇 Python在量化交易中的運(yùn)用
第4章 金融基礎(chǔ)知識/
4.1 金融資產(chǎn)類別/
4.1.1 固定收益/
4.1.2 外匯/
4.1.3 權(quán)益/
4.1.4 商品/
4.1.5 信用/
4.2 金融衍生品/
4.2.1 遠(yuǎn)期與期貨合約/
4.2.2 期權(quán)/
4.2.3 互換/
4.2.4 其他衍生品/
4.3 場內(nèi)交易與場外交易/
4.4 實(shí)例：用Python求歐式期權(quán)的隱含波動率/
第5章 數(shù)學(xué)與統(tǒng)計(jì)學(xué)基礎(chǔ)知識/
5.1 統(tǒng)計(jì)學(xué)中常見的概率分布/
5.1.1 離散型概率分布/
5.1.2 連續(xù)型概率分布/
5.2 貝葉斯公式/
5.3 蒙特卡洛模擬與中心極限定理/
5.4 隨機(jī)過程與時間序列/
5.5 幾種經(jīng)典隨機(jī)過程模型/
5.5.1 分式布朗運(yùn)動/
5.5.2 馬爾可夫過程/
5.6 常見的統(tǒng)計(jì)學(xué)習(xí)方法/
5.6.1 線性回歸與邏輯回歸/
5.6.2 決策樹與隨機(jī)森林/
5.6.3 K-均值算法/
5.6.4 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)/
5.7 數(shù)值計(jì)算方法/
5.7.1 牛頓法/
5.7.2 梯度下降法/
5.7.3 有限差分法/
5.8 實(shí)例：用深度學(xué)習(xí)處理分類問題/
第6章 量化交易與投資策略開發(fā)/
6.1 量化交易的市場現(xiàn)狀/
6.2 P-Quant與Q-Quant/
6.3 量化投資策略的類別/
6.4 策略開發(fā)的一些思路/
6.5 數(shù)據(jù)的收集整理與修正/
6.5.1 日期的格式/
6.5.2 文件傳輸格式/
6.5.3 數(shù)據(jù)質(zhì)量問題的處理/
6.6 程序和模型的測試與分析/
6.6.1 單元測試/
6.6.2 異常處理/
6.6.3 模型測試/
6.7 回測、模擬盤與實(shí)盤分析/
6.8 實(shí)例：Python爬蟲獲取公司財(cái)務(wù)數(shù)據(jù)/
第3篇 Python在量化風(fēng)險管理中的應(yīng)用
第7章 量化風(fēng)險管理的基礎(chǔ)知識/
7.1 什么是量化風(fēng)險管理/
7.2 市場風(fēng)險/
7.2.1 風(fēng)險價值（VaR）/
7.2.2 預(yù)期虧損（ES）/
7.2.3 歷史模擬與蒙特卡洛/
7.3 信用風(fēng)險/
7.3.1 額外的時間維度/
7.3.2 潛在未來敞口（PFE）/
7.3.3 正向敞口期望（EPE）/
7.3.4 違約概率（PD）/
7.4 操作風(fēng)險/
7.4.1 帕累托分布/
7.4.2 不平衡樣本/
7.5 投資組合的風(fēng)險度量/
7.5.1 波動率/
7.5.2 大回撤/
7.6 實(shí)例：大回撤的O(n)復(fù)雜度的算法/
第8章 市場因子模型與組合優(yōu)化/
8.1 資本資產(chǎn)定價模型/
8.1.1 股票指數(shù)與個股/
8.1.2 特異波動率/
8.2 市場因子的相關(guān)矩陣/
8.2.1 Cholesky分解/
8.2.2 模擬指數(shù)與個股的走勢/
8.3 市場因子的主成分分析/
8.3.1 期貨合約的相關(guān)性/
8.3.2 主成分分析的數(shù)學(xué)原理/
8.3.3 用Python做主成分分析/
8.3.4 用主成分做模擬/
8.4 正態(tài)分布與肥尾分布/
8.4.1 股票回報(bào)率的肥尾現(xiàn)象/
8.4.2 正態(tài)分布的肥尾修正/
8.5 投資組合優(yōu)化/
8.5.1 Markowitz均值-方差模型/
8.5.2 數(shù)值方法優(yōu)化投資比例/
8.5.3 無風(fēng)險收益率非零情況下的優(yōu)化/
8.6 實(shí)例：用蒙特卡洛模擬做優(yōu)化/