微信扫码下载

编辑推荐

适读人群:做量化交易和大数据的程序员

零起点Python大数据与量化交易》包括:

?近50万字的图文课件;

?数十套结合课件的Python教学代码;

?全套zwPython开源平台;

?业内首套面向初学者的开源量化系统zwQuant;

?国内较大的开源金融数据包zwDat,包括tick数据。

无须任何编程、交易经验,也不需要具备超强的数据分析能力,只要会使用Excel就可以轻松学会《零起点Python大数据与量化交易》讲解的知识点。读完《零起点Python大数据与量化交易》内容和配套的教学代码,就能够编写简单的量化策略函数。

内容简介

零起点Python大数据与量化交易》是国内较早关于Python大数据与量化交易的原创图书,配合zwPython开发平台和zwQuant开源量化软件学习,是一套完整的大数据分析、量化交易的学习教材,可直接用于实盘交易。《零起点Python大数据与量化交易》有三大特色:一,以实盘个案分析为主,全程配有Python代码;二,包含大量的图文案例和Python源码,无须专业编程基础,懂Excel即可开始学习;三,配有专业的zwPython集成开发平台、zwQuant量化软件和zwDat数据包。

零起点Python大数据与量化交易》内容源自笔者的原版教学课件,虽然限于篇幅和载体,省略了视频和部分环节,但核心内容都有保留,配套的近百套Python教学程序没有进行任何删减。考虑到广大入门读者的需求,笔者在各个核心函数环节增添了函数流程图。

作者简介

何海群,网名:字王,CHRD前海智库CTO,《中华大字库》发明人,出版书籍20余部,在人工智能、数据分析等方面具有20年一线专业经验;zwPython开发平台、zwQuant量化软件设计师,中国“Python创客”项目和“Python产业联盟”发起人,国内Python量化课程《Python量化实盘?魔鬼训练营》创始人,也是极宽量化开源团队的创始人。其研究成果有:“小数据”理论、快数据模型、黑天鹅算法、人工智能“足彩图灵法则”等;其论文《人工智能与中文字型设计》是中文字库行业三大基础建模理论之一。论文《人工智能与中文字型设计》是中文字库行业三大基础建模理论之一。

目录

第1章从故事开始学量化1

1.1亿万富翁的“神奇公式”2

1.1.1案例1-1:亿万富翁的“神奇公式”2

1.1.2案例分析:Python图表5

1.1.3matplotlib绘图模块库7

1.1.4案例分析:style绘图风格10

1.1.5案例分析:colormap颜色表12

1.1.6案例分析:颜色表关键词14

1.1.7深入浅出17

1.2股市“一月效应”18

1.2.1案例1-2:股市“一月效应”18

1.2.2案例分析:“一月效应”计算19

1.2.3案例分析:“一月效应”图表分析24

1.2.4案例分析:颜色表效果图26

1.2.5“一月效应”全文注解版Python源码27

1.2.6大数据?宏分析34

1.3量化交易流程与概念36

1.3.1数据分析I2O流程36

1.3.2量化交易不是高频交易、自动交易37

1.3.3小资、小白、韭菜38

1.3.4专业与业余38

1.4用户运行环境配置42

1.4.1程序目录结构43

1.4.2金融股票数据包44

1.5Python实战操作技巧46

1.5.1模块检测46

1.5.2Spyder编辑器界面设置47

1.5.3代码配色技巧48

1.5.4图像显示配置50

1.5.5Python2、Python3双版本双开模式51

1.5.6单版本双开、多开模式52

1.5.7实战胜于一切54

1.6量化、中医与西医54

第2章常用量化技术指标与框架56

2.1案例2-1:SMA均线策略56

2.1.1案例要点与事件编程58

2.1.2量化程序结构61

2.1.3main程序主入口61

2.1.4KISS法则63

2.2Python量化系统框架64

2.2.1量化行业关键词64

2.2.2国外主流Python量化网站65

2.2.3我国主流Python量化网站67

2.2.4主流Python量化框架70

2.3常用量化软件包78

2.3.1常用量化软件包简介79

2.3.2案例2-2:模块库列表80

2.4常用量化技术指标82

2.4.1TA-Lib金融软件包83

2.4.2案例2-3:MA均线函数调用84

2.4.3TA-Lib函数调用86

2.4.4量化分析常用指标88

2.5经典量化策略90

2.5.1阿尔法(Alpha)策略90

2.5.2Beta策略92

2.5.3海龟交易法则93

2.5.4ETF套利策略95

2.6常用量化策略95

2.6.1动量交易策略96

2.6.2均值回归策略97

2.6.3其他常用量化策略98

2.7起点与终点100

第3章金融数据采集整理101

3.1常用数据源API与模块库102

3.1.1大数据综合API102

3.1.2专业财经数据API103

3.1.3专业数据模块库104

3.2案例3-1:zwDatX数据类104

3.3美股数据源模块库108

3.4开源文档库ReadtheDocs109

3.5案例3-2:下载美股数据110

3.6财经数据源模块库TuShare113

3.6.1沪深股票列表115

3.6.2案例3-3:下载股票代码数据116

3.6.3CSV文件处理119

3.7历史数据121

3.7.1历史行情121

3.7.2案例3-4:下载近期股票数据124

3.7.3历史复权数据130

3.7.4案例3-5:下载历史复权数据131

3.8其他交易数据134

3.9zwDat超大股票数据源与数据更新143

3.9.1案例3-6:A股基本概况数据下载144

3.9.2案例3-7:A股交易数据下载146

3.9.3案例3-8:A股指数行情数据下载150

3.9.4案例3-9:美股交易数据下载151

3.10数据归一化处理153

3.10.1中美股票数据格式差异153

3.10.2案例3-10:数据格式转化154

3.10.3案例3-11:A股策略PAT实盘分析156

3.10.4案例3-12:数据归一化158

3.11为有源头活水来160

第4章PAT案例汇编162

4.1投资组合与回报率163

4.1.1案例4-1:下载多组美股数据163

4.1.2案例4-2:投资组合收益计算165

4.2SMA均线策略168

4.2.1SMA简单移动平均线168

4.2.2案例4-3:原版SMA均线策略169

4.2.3案例4-4:增强版SMA均线策略173

4.2.4案例4-5:A股版SMA均线策略174

4.3均线交叉策略175

4.3.1案例4-6:均线交叉策略176

4.3.2案例4-7:A股版均线交叉策略178

4.4VWAP动量策略181

4.4.1案例4-8:VWAP动量策略182

4.4.2案例4-9:A股版VWAP动量策略183

4.5布林带策略183

4.5.1案例4-10:布林带策略185

4.5.2案例4-11:A股版布林带策略186

4.6RSI2策略188

4.6.1案例4-12:RSI2策略190

4.6.2案例4-13:A股版RSI2策略190

4.7案例与传承194

第5章zwQuant整体架构196

5.1发布前言196

5.2功能简介197

5.2.1目录结构197

5.2.2安装与更新198

5.2.3模块说明199

5.2.4zwSys模块:系统变量与类定义200

5.2.5zwTools模块:常用(非量化)工具函数201

5.2.6zwQTBox:常用“量化”工具函数集201

5.2.7zwQTDraw.py:量化绘图工具函数203

5.2.8zwBacktest:回溯测试工具函数203

5.2.9zwStrategy:策略工具函数203

5.2.10zw_TA-Lib:金融函数模块204

5.3示例程序207

5.4常用量化分析参数208

5.5回溯案例:对标测试209

5.5.1对标测试1:投资回报参数209

5.5.2对标测试2:VWAP策略211

5.6回报参数计算214

5.7主体框架220

5.7.1stkLib内存数据库220

5.7.2Bars数据包221

5.7.3案例:内存数据库&数据包222

5.7.4qxLib、xtrdLib227

5.7.5案例5-1:qxLib数据228

5.7.6量化系统的价格体系230

5.7.7数据预处理231

5.7.8绘图模板234

5.8新的起点236

第6章模块详解与实盘数据237

6.1回溯流程238

6.1.1案例6-1:投资回报率238

6.1.2代码构成242

6.1.3运行总流程243

6.2运行流程详解244

6.2.1设置股票数据源244

6.2.2设置策略参数247

6.2.3dataPre数据预处理249

6.2.4绑定策略函数253

6.2.5回溯测试:zwBackTest253

6.2.6输出回溯结果数据、图表258

6.3零点策略260

6.3.1mul多个时间点的交易&数据263

6.3.2案例6-2:多个时间点交易264

6.4不同数据源与格式修改270

6.4.1案例6-3:数据源修改272

6.4.2数据源格式修改274

6.5金融数据包与实盘数据更新275

6.5.1大盘指数文件升级276

6.5.2实盘数据更新277

6.5.3案例6-4:A股实盘数据更新277

6.5.4案例6-5:大盘指数更新279

6.6稳定第一281

第7章量化策略库282

7.1量化策略库简介282

7.1.1量化系统的三代目283

7.1.2通用数据预处理函数283

7.2SMA均线策略286

7.2.1案例7-1:SMA均线策略286

7.2.2实盘下单时机与推荐289

7.2.3案例7-2:实盘SMA均线策略290

7.3CMA均线交叉策略294

7.3.1案例7-3:均线交叉策略294

7.3.2对标测试误差分析296

7.3.3案例7-4:CMA均线交叉策略修改版299

7.3.4人工优化参数300

7.4VWAP策略301

7.4.1案例7-5:VWAP策略301

7.4.2案例7-6:实盘VWAP策略303

7.5BBands布林带策略304

7.5.1案例7-7:BBands布林带策略305

7.5.2案例7-8:实盘BBands布林带策略306

7.6大道至简11307

第8章海龟策略与自定义扩展309

8.1策略库309

8.1.1自定义策略310

8.1.2海龟投资策略310

8.2tur海龟策略v1:从零开始311

8.3案例8-1:海龟策略框架311

8.4tur海龟策略v2:策略初始化312

8.5案例8-2:策略初始化312

8.6tur海龟策略v3:数据预处理313

8.7案例8-3:数据预处理314

8.8tur海龟策略v4:策略分析317

8.9案例8-4:策略分析317

8.10tur海龟策略v5:数据图表输出320

8.10.1案例8-5:图表输出320

8.10.2参数优化324

8.10.3案例8-6:参数优化324

8.11tur海龟策略v9:加入策略库325

8.12案例8-7:入库326

8.13庖丁解牛328

第9章TA-Lib函数库与策略开发329

9.1TA-Lib技术指标329

9.1.1TA-Lib官网329

9.1.2矩阵版TA-Lib金融函数模块330

9.2MACD策略331

9.2.1MACD策略1331

9.2.2案例9-1:MACD_v1335

9.2.3MACD策略2336

9.2.4案例9-2:MACD_v2338

9.3KDJ策略340

9.3.1KDJ策略1340

9.3.2案例9-3:KDJ01343

9.3.3KDJ策略2346

9.3.4案例9-4:KDJ02347

9.4RSI策略350

9.4.1RSI取值的大小351

9.4.2RSI策略351

9.4.3预留参数优化接口356

9.4.4案例9-5:A股版RSI策略357

9.5基石、策略与灵感358

第10章扩展与未来360

10.1回顾案例2-1:SMA均线策略360

案例10-1:SMA均线策略扩展363

10.2大盘指数资源365

10.2.1大盘指数文件升级366

10.2.2大盘指数内存数据库367

10.2.3扩展zwQuantX类变量368

10.2.4大盘指数读取函数368

10.2.5案例10-2:读取指数369

10.2.6大盘数据切割370

10.2.7案例10-3:inxCut数据切割372

10.3系统整合373

10.3.1案例10-4:整合设置375

10.3.2案例10-5:修改指数代码376

10.3.3修改sta_dataPre0xtim函数377

10.3.4案例10-6:整合数据切割380

10.3.5修改绘图函数381

10.4扩展完成384

案例10-7:SMA均线扩展策略384

10.5其他扩展课题386

10.5.1复权数据冲突386

10.5.2波动率指标DVIX386

10.5.3修改回溯主函数zwBackTest387

10.5.4案例10-8:波动率390

10.5.5空头交易392

10.5.6虚拟空头交易392

10.5.7修改检查函数393

10.5.8案例10-9:空头数据396

10.6终点与起点397

附录AzwPython开发平台用户手册398

附录BPython量化学习路线图423

前言/序言

  2014年,美国银行、美林证券的“石英”项目、摩根大通的“雅典娜”项目都不约而同地选择了Python作为金融行业的标准编程语言。
  全世界的金融工程行业全部重新洗牌,这为中国的金融工程从业人员带来了前所未有的机遇。资本的力量是强大的,也是冷酷无情的。
  2016年5月,《华尔街日报》报道,目前华尔街的三大编程语言是:C、Java与Python。其中,C与Java成为三大语言之一有两方面原因:一方面是由于历史积累,另一方面是系统架构设计的需要。而在应用领域Python更胜一筹,因为Python已经成为金融行业量化领域的标准编程语言。
  《零起点Python大数据与量化交易》是国内较早关于Python大数据与量化交易的原创图书。《零起点Python大数据与量化交易》配合zwPython、zwQuant开源量化软件学习,是一套完整的大数据分析、量化交易的学习教材,可直接用于实盘交易。
  《零起点Python大数据与量化交易》内容包括:
  近50万字的图文课件;
  数十套结合课件的Python教学代码;
  全套zwPython开源平台;
  业内首套面向初学者的开源量化系统zwQuant;
  国内较大的开源金融数据包zwDat,包括tick数据。
  100%零基础,无须任何编程、交易经验,也不需要具备超强的数据分析能力,只要会使用Excel就可以轻松学会《零起点Python大数据与量化交易》讲解的知识点。读完《零起点Python大数据与量化交易》内容和配套的教学代码,就能够编写简单的量化策略函数。
  《零起点Python大数据与量化交易》的内容源自笔者的原版教学课件,虽然限于篇幅和载体,省略了视频和部分环节,但核心内容都有保留,配套的近百套Python教学程序没有进行任何删减。
  考虑到广大入门读者的需求,笔者在各个核心函数环节增添了函数流程图。
  量化新人学习指南
  1.多参考笔者的字王量化网站和笔者博客。
  2.《零起点Python大数据与量化交易》配套程序可在百度网盘下载。《零起点Python大数据与量化交易》读者QQ群(zwPython量化总群):650924099。网盘和群共享包含很多资源,读者可自行下载,也可以上传。建议先看“漫画学系列”,该系列比较经典,而且简单;zwQuant开源量化软件在群共享和网盘都可下载。
  3.强烈建议初学者先下载zwPython集成版,阅读zwPython中文手册,再开始学习Python,这样可以少走很多弯路。

  致谢
  虽然很多网友在笔者博客留言,要求购买《零起点Python大数据与量化交易》,但《零起点Python大数据与量化交易》的创作和正式出版还是经历了许多波折。
  如今《零起点Python大数据与量化交易》终于出版,在此,要特别感谢电子工业出版社的黄爱萍和戴新编辑,感谢她们在选题策划和稿件整理方面做出的大量工作。
  同时,在《零起点Python大数据与量化交易》创作过程中,极宽开源量化团队和培训班的全体成员,提出很多宝贵的意见,并对部分课件程序做了中文注解。
  特别是吴娜、余勤两位同学,为极宽开源量化文库和zwQuant开源量化软件编写文档,以及在团队成员管理方面做了大量工作,为他们的付出表示感谢。


  何海群(字王)

  北京极宽科技有限公司CTO
  2016年11月25日


其他推荐