Python金融大數(shù)據(jù)分析快速入門與案例詳解

第1篇 Python金融大數(shù)據(jù)分析基礎(chǔ)篇
第1章 Python概覽
1.1 　 Python的優(yōu)勢
1.2 　 搭建開發(fā)環(huán)境
1.2.1　對操作系統(tǒng)的要求
1.2.2　Windows 系統(tǒng)的優(yōu)點
1.2.3　下載并安裝Python和PyCharm
1.2.4　Python在PyCharm里的配置
1.3 　 Django 框架的優(yōu)勢
1.4 　 安裝和配置Django框架
1.5 　 小結(jié)
第2章 結(jié)合金融場景演示Python的基本操作
2.1 　 Python在金融領(lǐng)域的應(yīng)用
2.1.1　Python在金融領(lǐng)域的應(yīng)用背景和優(yōu)勢
2.1.2　Python在金融領(lǐng)域的應(yīng)用場景
2.1.3　Python在金融領(lǐng)域的挑戰(zhàn)與展望
2.2 　 金融領(lǐng)域常用的Python內(nèi)置函數(shù)及示例
2.2.1　數(shù)學(xué)函數(shù)
2.2.2　數(shù)據(jù)處理函數(shù)
2.3 　 金融領(lǐng)域常用的Python的庫及其作用
2.4 　 小結(jié)
第3章 金融數(shù)據(jù)的獲取及實戰(zhàn)
3.1 　 數(shù)據(jù)的選擇與獲取
3.2 　 獲取新浪財經(jīng)數(shù)據(jù)案例講解
3.2.1　新浪財經(jīng)數(shù)據(jù)的重要作用
3.2.2　如何獲取新浪財經(jīng)數(shù)據(jù)
3.3 　 獲取Wind數(shù)據(jù)并進(jìn)行簡單的擇時分析
3.4 　 數(shù)據(jù)預(yù)處理
3.4.1　金融數(shù)據(jù)的特點
3.4.2　Python在金融數(shù)據(jù)預(yù)處理中的應(yīng)用
3.4.3　Python在金融數(shù)據(jù)預(yù)處理中的示例分析
3.5 　 數(shù)據(jù)分析與挖掘
3.6 　 可視化展示
3.7 　 機(jī)器學(xué)習(xí)的應(yīng)用
3.7.1　金融領(lǐng)域常用的機(jī)器學(xué)習(xí)算法
3.7.2　金融領(lǐng)域機(jī)器學(xué)習(xí)的應(yīng)用案例
3.8 　 實戰(zhàn)案例：JQData數(shù)據(jù)的獲取及分析
3.8.1　計算漲跌幅
3.8.2　計算買入賣出信號
3.8.3　計算持倉收益率
3.9 　 小結(jié)
第4章 MySQL數(shù)據(jù)庫詳解及應(yīng)用
4.1 　 MySQL 數(shù)據(jù)庫簡介
4.1.1　MySQL 的特點
4.1.2　MySQL的安裝與配置
4.2 　 MySQL 數(shù)據(jù)庫的基本操作
4.3 　 MySQL 數(shù)據(jù)庫操作詳解
4.3.1　執(zhí)行SQL語句
4.3.2　關(guān)閉游標(biāo)和連接
4.3.3　使用預(yù)處理語句
4.3.4　處理異常情況
4.4 　 實戰(zhàn)案例：Wind 金融數(shù)據(jù)在MySQL數(shù)據(jù)庫里的應(yīng)用
4.5 　 小結(jié)
第5章 核心模塊詳解
5.1 　 NumPy模塊操作詳解
5.1.1　數(shù)組操作
5.1.2　矩陣運算
5.1.3　線性代數(shù)運算
5.1.4　隨機(jī)數(shù)生成
5.2 　 實戰(zhàn)案例：NumPy在金融場景中的應(yīng)用
5.3 　 Pandas模塊操作詳解
5.3.1　Pandas的主要數(shù)據(jù)結(jié)構(gòu)：Series和DataFrame
5.3.2　數(shù)據(jù)處理
5.3.3　數(shù)據(jù)可視化
5.4 　 實戰(zhàn)案例：Pandas 在金融場景中的應(yīng)用
5.5 　 SciPy模塊操作詳解
5.6 　 實戰(zhàn)案例：SciPy在金融場景中的應(yīng)用
5.7 　 小結(jié)
第2篇 Python金融大數(shù)據(jù)分析提高篇
第6章 金融分析及量化投資
6.1 　 金融分析
6.1.1　金融分析的方法
6.1.2　金融分析的目的
6.1.3　金融分析在投資決策中的重要性
6.2 　 量化投資
6.3 　 量化策略
6.3.1　雙均線策略及應(yīng)用
6.3.2　因子選股策略及應(yīng)用
6.3.3　動量策略及應(yīng)用
6.4 　 小結(jié)
第7章 Python量化交易
7.1 　 量化交易數(shù)據(jù)獲取
7.2 　 Python基本面量化選股
7.3 　 Python量化擇時及應(yīng)用
7.3.1　量化擇時策略
7.3.2　未來發(fā)展趨勢
7.4 　 量化策略回測實現(xiàn)
7.5 　 Python量化交易策略實戰(zhàn)案例
7.6 　 小結(jié)
第8章 數(shù)據(jù)可視化Matplotlib
8.1 　 Anaconda的安裝
8.2 　 配置Jupyter Notebook
8.3 　 配置Matplotlib
8.4 　 直方圖、條形圖、折線圖與餅圖的繪制及示例
8.5 　 散點圖、箱線圖的繪制及示例
8.6 　 極線圖、階梯圖的繪制及示例
8.7 　 圖標(biāo)參數(shù)配置
8.8 　 堆積圖的繪制及示例
8.9 　 分塊圖的繪制及示例
8.10 　 氣泡圖的繪制及示例
8.11 　 結(jié)合金融場景的Matplotlib基礎(chǔ)案例
8.12 　 小結(jié)
第3篇 基 金礎(chǔ)融篇企業(yè)級項目實戰(zhàn)篇
第9章 基于NumPy的股價統(tǒng)計分析實戰(zhàn)
9.1 　 項目需求分析
9.2 　 數(shù)據(jù)獲取及處理
9.3 　 基于NumPy的股價均線實戰(zhàn)
9.4 　 基于NumPy的股票成交量統(tǒng)計分析
9.5 　 小結(jié)
第10章 基于Matplotlib的股票技術(shù)分析實戰(zhàn)
10.1 　 項目需求分析
10.2 　 數(shù)據(jù)獲取及處理
10.3 　 基于Matplotlib實現(xiàn)MACD
10.4 　 基于Matplotlib實現(xiàn)KDJ
10.5 　 基于Matplotlib繪制布林帶
10.6 　 小結(jié)
第11章 量化交易策略實戰(zhàn)案例
11.1 　 低估值量化交易策略實戰(zhàn)
11.2 　 大小盤輪動策略實戰(zhàn)
11.3 　 逆三因子量化交易策略實戰(zhàn)
11.4 　 小結(jié)