人工智能+量化交易，未來金融市場的趨勢機構和大戶的工具，“散戶賺錢是偶然，機構和大戶賺錢是必然”的結果揭示智能量化交易實戰精髓，新手交易獲利更容易詳解智能量化交易實戰應用難題，多位專家合力編著

●章人工智能快速入門/111初識人工智能/2111什麼是人工智能/2112為什麼要學習人工智能/212智能概述/4121智能類型/4122智能的組成/613人工智能的研究與應用領域/8131專家繫統/8132自然語言理解/9133機器學習/9134機器定理證明/10135自動程序設計/11136分布式人工智能/12137機器人學/13138模式識別/14139人機博弈/141310計算機視覺/151311軟計算/151312智能控制/161313智能規劃/1714人工智能的開發語言/18141為什麼使用Python來開發人工智能/18142Python的下載和安裝/18143Python程序的編寫/21144利用量化交易平臺編寫Python程序/2415人工智能的發展歷史/27151計算機時代/27152大量程序/28153強弱人工智能/29第2章Python編程基礎/3121Python的基本數據類型/32211數值類型/32212字符串/3422變量與賦值/37221變量命名規則/37222變量的賦值/3823Python的基本運算/39231算術運算/39232賦值運算/41233位運算/4224Python的選擇結構/43241關繫運算/43242邏輯運算/45243if語句/46244嵌套if語句/4825Python的循環結構/49251while循環/50252while循環使用else語句/51253無限循環/51254for循環/52255在for循環中使用range()函數/53256break語句/54257continue語句/55258pass語句/5626Python的特征數據類型/57261列表/57組/61263字典/63264集合/6427Python的函數/67271函數的定義與調用/67272參數傳遞/69273匿名函數/71274變量作用域/7228Python的面向對像/73281面向對像概念/73282類與實例/74283模塊的引用/7729Python的代碼格式/78291代碼縮進/78292代碼注釋/79293空行/79294同一行顯示多條語句/79第3章人工智能的Numpy包/8131初識Numpy包/8232ndarray數組基礎/82321創建Numpy數組/83322Numpy特殊數組/86323Numpy序列數組/90324Numpy數組索引/91325Numpy數組運算/92326Numpy數組復制/9333Numpy的矩陣/9434Numpy的線性代數/96341兩個數組的點積/96342兩個向量的點積/97343一維數組的向量內積/97344矩陣的行列式/98345矩陣的逆/10035Numpy的文件操作/101第4章人工智能的Pandas包/10541Pandas的數據結構/10642一維數組繫列（Series）/106421創建一個空的繫列（Series）/106422從ndarray創建一個繫列（Series）/107423從字典創建一個繫列（Series）/109424從有位置的繫列（Series）中訪問數據/109425使用標簽檢索數據/11043二維數組DataFrame/111431創建DataFrame/111432數據的查看/112433數據的選擇/116434數據的處理/12244三維數組Panel/124第5章人工智能的Matplotlib包/12751Matplotlib包的優點/12852figure()函數的應用/128521figure()函數的各參數意義/128522figure()函數的實例/12953plot()函數的應用/131531plot()函數的各參數意義/131532plot()函數的實例/13254subplot()函數的應用/133541subplot()的各參數意義/134542subplot()的實例/13455add_axes方法的應用/13556legend()函數的應用/13757設置字體格式/13958設置線條的寬度和顏色/14059坐標軸網格/142510繪制柱狀圖/143511繪制色圖和等高線圖/144512繪制立體三維圖形/146第6章決策樹和隨機森林/15161決策樹/152611什麼是決策樹/152612決策樹的組成/153613決策樹的優點/153614決策樹的缺點/154615決策樹的構造/154616純度判斷方法/155617決策樹的剪枝/162618利用Python代碼實現決策樹/16362隨機森林/167621隨機森林的構建/167622隨機森林的優缺點/168623隨機森林的應用範圍/168624利用Python代碼實現隨機森林/169第7章支持向量機（SVM）和樸素貝葉斯/17371支持向量機（SVM）/174711什麼是支持向量機（SVM）/174712支持向量機（SVM）的工作原理/174713核函數/175714支持向量機(SVM)的優點/177715支持向量機(SVM)的缺點/177716利用Python代碼實現支持向量機(SVM)/17772樸素貝葉斯/182721什麼是樸素貝葉斯/182722樸素貝葉斯的算法思想/182723樸素貝葉斯的算法步驟/183724樸素貝葉斯的優缺點/184725利用Python代碼實現高斯樸素貝葉斯/184726利用Python代碼實現多項式分布樸素貝葉斯/187727利用Python代碼實現伯努力樸素貝葉斯/188第8章人工智能的神經網絡/19181初識人工神經網絡/192811什麼是人工神經網絡/192812大腦中細胞細胞網絡/192813人工神經網絡的基本特征/193814人工神經網絡的特點/19582人工神經網絡的算法/19583神經網絡庫Pybrain/197831神經網絡的創建/197832神經網絡的數據集定義/201833訓練神經網絡/202834循環神經網絡/20484人工神經網絡實例/205第9章Python量化交易策略的編寫/20991Python量化交易策略的組成/210911初始化函數（initialize）/211912開盤前運行函數（before_market_open）/212913開盤時運行函數（market_open）/213914收盤後運行函數（after_market_close）/21492Python量化交易策略的設置函數/214921設置基準函數/215922設置傭金/印花稅函數/215923設置滑點函數/217924設置動態復權（真實價格）模式函數/217925設置成交量比例函數/218926設置是否開啟盤口撮合模式函數/218927設置要操作的股票池函數/21893Python量化交易策略的定時函數/219931定時函數的定義及分類/219932定時函數各項參數的意義/219933定時函數的注意事項/220934定時函數的實例/22194Python量化交易策略的下單函數/222941按股數下單函數/222942目標股數下單函數/223943按價值下單函數/223944目標價值下單函數/224945撤單函數/224946獲取未完成訂單函數/225947獲取訂單信息函數/225948獲取成交信息函數/22695Python量化交易策略的日志log/226951設定log級別/226952loginfo/22796Python量化交易策略的常用對像/227961Order對像/227962全局對像g/228963Trade對像/229964tick對像/229965Context對像/230966 ition對像/231967SubPortfolio對像/232968Portfolio對像/233969SecurityUnitData對像/2330章Python量化交易策略的獲取數據函數/235101獲取股票數據的history()函數/2361011各項參數的意義/2361012history()函數的應用實例/238102獲取一隻股票數據的attribute_history()函數/241103查詢一個交易日股票財務數據的get_fundamentals()函數/2421031各項參數的意義/2421032get_fundamentals()函數的應用實例/243104查詢股票財務數據的get_fundamentals_continuously()函數/249105獲取股票特別數據的get_current_data()函數/250106獲取指數成分股代碼的get_index_stocks()函數/2511061各項參數的意義/2511062get_index_stocks()函數的應用實例/252107獲取行業成分股代碼的get_industry_stocks()函數/253108獲取概念成本股代碼的get_concept_stocks()函數/255109獲取所有數據信息的get_all_securities()函數/2561091各項參數的意義/2561092get_all_securities()函數的應用實例/2571010獲取一隻股票信息的get_security_info()函數/2591011獲取龍虎榜數據的get_billboard_list()函數/26010111各項參數的意義/26010112get_billboard_list()函數的應用實例/2611012獲取限售解禁數據的get_locked_shares()函數/2621章Python基本面量化選股/265111初識量化選股/266112成長類因子選股/2661121營業收入同比增長率選股/2661122營業收入環比增長率選股/2681123淨利潤同比增長率選股/2691124淨利潤環比增長率選股/2701125營業利潤率選股/2711126銷售淨利率選股/2721127銷售毛利率選股/273113規模類因子選股/2741131總市值選股/2741132流通市值選股/2751133總股本選股/2771134流通股本選股/277114價值類因子選股/2781141市淨率選股/2781142市銷率選股/2791143市現率選股/2801144動態市盈率選股/2811145靜態市盈率選股/283115質量類因子選股/2841151淨資產收益率選股/2841152總資產淨利率選股/285116基本面多因子量化選股的注意事項/2862章Python量化擇時的技術指標函數/289121初識量化擇時/290122趨向指標函數/2911221MACD指標函數/2911222EMV指標函數/2931223UOS指標函數/2941224GDX指標函數/2951225DMA指標函數/2971226JS指標函數/2981227MA指標函數/3001228EXPMA指標函數/3011229VMA指標函數/302123反趨向指標函數/3031231KD指標函數/3031232MFI指標函數/3041233RSI指標函數/3061234OSC指標函數/3071235WR指標函數/3081236CCI指標函數/310124壓力支撐指標函數/3111241BOLL指標函數/3111242MIKE指標函數/3121243XS指標函數/313125量價指標函數/3151251OBV指標函數/3161252VOL指標函數/3171253VR指標函數/3181254MASS指標函數/3193章Python量化交易策略的回測技巧/321131量化交易策略回測的流程/322132利用Python編寫MACD指標量化策略/3231321量化交易策略的編輯頁面/3231322編寫初始化函數/3251323編寫單位時間調用的函數/326133設置MACD指標量化策略的回測參數/327134MACD指標量化策略的回測詳情/329135MACD指標量化策略的風險指標/3321351Alpha（阿爾法）/3331352Beta（貝塔）/3331353Sharpe（夏普比率）/3341354Sortino（索提諾比率）/3351355InformationRatio（信息比率）/3361356Volatility（策略波動率）/3371357BenchmarkVolatility（基準波動率）/3381358MaxDrawdown（優選回撤）/3384章Python量化交易策略的機器學習方法應用/341141隨機森林在量化交易中的應用/342142支持向量機(SVM)在量化交易中的應用/345143樸素貝葉斯在量化交易中的應用/348144神經網絡在量化交易中的應用/3515章Python量化交易策略的因子分析技巧/357151因子分析概述/3581511因子的類型/3581512因子分析的作用/358152因子分析的實現代碼/3581521因子分析中變量的含義/3591522因子分析中可以使用的基礎因子/3591523calc的參數及返回值/361153因子分析的結果/3611531新建因子/3611532收益分析/3641533IC分析/3671534換手分析/368154因子在研究和回測中的使用/370155基本面因子應用實例/3726章Python量化交易策略實例/375161MA均線量化交易策略/3761611編寫初始化函數/3761612編寫單位時間調用的函數/3781613MA均線量化交易策略的回測/379162多均線量化交易策略/3801621編寫初始化函數/3801622編寫交易程序函數/3811623多均線量化交易策略的回測/382163MACD指標量化交易策略/3831631編寫初始化函數/3841632編寫單位時間調用的函數/3841633MACD指標量化交易策略的回測/385164KD指標量化交易策略/3861641編寫初始化函數/3861642編寫開盤前運行函數/3871643編寫開盤時運行函數/3871644編寫收盤後運行函數/3881645KD指標量化交易策略的回測/389165BOLL指標量化交易策略/3901651編寫初始化函數/3901652編寫開盤前運行函數/3911653編寫開盤時運行函數/3911654編寫收盤後運行函數/3931655BOLL指標量化交易策略的回測/393166多股票持倉量化交易策略/3941661編寫初始化函數/3941662編寫單位時間調用的函數/3951663多股票持倉量化交易策略的回測/396167醫藥股輪動量化交易策略/3971671編寫初始化函數/3971672編寫選股函數/3981673編寫交易函數/3981674醫藥股輪動量化交易策略的回測/399168小市值股票量化交易策略/3991681編寫初始化函數/4001682編寫選股函數/4011683編寫過濾停牌股票函數/4011684編寫交易函數/4011685小市值股票量化交易策略的回測/402169人工智能多因子量化交易策略/4031691編寫初始化函數/4031692編寫自定義的交易函數/4041693人工智能多因子量化交易策略的回測/409

本書首先講解人工智能的基礎知識，即什麼是人工智能，為什麼要學習人工智能，什麼是智能，智能類型，人工智能的研究與應用領域，為什麼使用Python 來開發人工智能，利用量化交易平臺編寫Python 程序，人工智能的發展歷史；然後講解Python 編程基礎和人工智能的三個重要的包，即Numpy 包、Pandas 包和Matplotlib 包；接著講解5 種機器學習算法，即決策樹、隨機森林、支持向量機（SVM）、樸素貝葉斯和人工智能的神經網絡；然後講解Python 量化交易策略的編寫、獲取數據函數、Python 基本面量化選股、Python 量化擇時的技術指標函數、Python 量化交易策略的回測技巧、Python 量化交易策略的機器學習方法應用；很後講解Python 量化交易策略的因子分析技巧和Python 量化交易策略實例。 在講解過程中既考慮讀者的學習習慣，又通過具體實例剖析講解人工智等

王征 李曉波 著

隨著計算機技術的發展，人工智能已經從科幻逐步走入現實。從1956年人工智能這個概念被首次提出以來，人工智能的發展幾經沉浮。隨著核心算法的突破、計算能力的迅速提高，以及海量互聯網數據的支撐，人工智能終於在21世紀的第二個十年裡迎來質的飛躍，成為全球矚目的科技焦點。在政府積極引導和企業戰略布局等推動下，人工智能產業從無到有，規模快速壯大，創新能力顯著增強，服務能力大幅提升，應用範疇不斷拓展，並為雲計算、大數據、物聯網、量化交易等新興領域的發展提供了基礎支撐。與此同時，對人工智能人纔的需求也極為迫切。 以美國為主的成熟資本市場，量化交易占比超過50%，量化對衝基金已經成為資管行業中的翹楚。中國的量化交易起步較晚，量化交易在證券市場占比還不足5%。隨著科技的進步，中國的量化交易市場正在快速發展。 目前我國的量化交易主要應用在商品期貨上。隨著股指期貨的上市，期貨市場和證券市場實現了真正意等