●第1部分Python與金融
第1章為什麼將Python用於金融3
1.1Python編程語言3
1.1.1Python簡史5
1.1.2Python生態繫統6
1.1.3Python用戶譜繫7
1.1.4科學棧7
1.2金融中的科技8
1.2.1科技投入9
1.2.2作為業務引擎的科技9
1.2.3作為進入門檻的科技和人纔10
1.2.4不斷提高的速度、頻率和數據量10
1.2.5實時分析的興起11
1.3用於金融的Python12
1.3.1金融和Python語法12
1.3.2Python的效率和生產率16
1.3.3從原型化到生產20
1.4數據驅動和人工智能優先的金融學21
1.4.1數據驅動金融學21
1.4.2人工智能優先金融學24
1.5結語26
1.6延伸閱讀27
第2章Python基礎架構29
2.1作為包管理器使用的conda31
2.1.1安裝Miniconda31
2.1.2conda基本操作33
2.2作為虛擬環境管理器的conda37
2.3使用Docker容器41
2.3.1Docker鏡像和容器41
2.3.2構建Ubuntu和PythonDocker鏡像42
2.4使用雲實例46
2.4.1RSA公鑰和私鑰47
2.4.2JupyterNotebook配置文件48
2.4.3Python和JupyterNotebook安裝腳本49
2.4.4協調Droplet設置的腳本51
2.5結語52
2.6延伸閱讀53
第2部分掌握基礎知識
第3章數據類型與結構57
3.1基本數據類型58
3.1.1整數58
3.1.2浮點數59
3.1.3布爾值61
3.1.4字符串65
3.1.5題外話：打印和字符串替換66
3.1.6題外話：正則表達式69
3.2基本數據結構71
3.組71
3.2.2列表72
3.2.3題外話：控制結構74
3.2.4題外話：函數式編程75
3.2.5字典76
3.2.6集合78
3.3結語79
3.4延伸閱讀79
第4章用NumPy進行數值計算81
4.1數據數組82
4.1.1用Python列表形成數組82
4.1.2Pythonarray類84
4.2常規NumPy數組86
4.2.1基礎知識86
4.2.2多維數組89
4.信息93
4.2.4改變組成與大小93
4.2.5布爾數組97
4.2.6速度對比99
4.3NumPy結構數組100
4.4代碼向量化102
4.4.1基本向量化102
4.4.2內存布局105
4.5結語107
4.6延伸閱讀108
第5章pandas數據分析109
5.1DataFrame類110
5.1.1使用DataFrame類的第一步110
5.1.2使用DataFrame類的第二步114
5.2基本分析118
5.3基本可視化122
5.4Series類124
5.5GroupBy操作126
5.6復雜選擇128
5.7聯接、連接和合並131
5.7.1聯接132
5.7.2連接133
5.7.3合並135
5.8性能特征137
5.9結語139
5.10延伸閱讀140
第6章面向對像編程141
6.1Python對像簡介145
6.1.1int145
6.1.2list146
6.1.3ndarray146
6.1.4DataFrame148
6.2Python類基礎知識149
6.3Python數據模型154
6.4Vector類158
6.5結語159
6.6延伸閱讀159
第3部分金融數據科學
第7章數據可視化163
7.1靜態2D繪圖164
7.1.1一維數據集164
7.1.2二維數據集170
7.1.3其他繪圖樣式177
7.2靜態3D繪圖184
7.3交互式2D繪圖188
7.3.1基本圖表188
7.3.2金融圖表192
7.4結語196
7.5延伸閱讀196
第8章金融時間序列197
8.1金融數據198
8.1.1數據導入198
8.1.2彙總統計201
8.1.3隨時間推移的變化203
8.1.4重新采樣207
8.2滾動統計209
8.2.1概述209
8.2.2技術分析示例211
8.3相關分析213
8.3.1數據213
8.3.2對數回報率214
8.3.3OLS回歸216
8.3.4相關217
8.4高頻數據218
8.5結語220
8.6延伸閱讀220
第9章輸入/輸出操作221
9.1Python基本I/O222
9.1.1將對像寫入磁盤222
9.1.2讀取和寫入文本文件225
9.1.3使用SQL數據庫229
9.1.4讀寫NumPy數組232
9.2pandas的I/O234
9.2.1使用SQL數據庫235
9.2.2從SQL到pandas237
9.2.3使用CSV文件239
9.2.4使用Excel文件240
9.3PyTables的I/O242
9.3.1使用表242
9.3.2使用壓縮表250
9.3.3使用數組252
9.3.4內存外計算253
9.4TsTables的I/O256
9.4.1樣板數據257
9.4.2數據存儲258
9.4.3數據檢索259
9.5結語261
9.6延伸閱讀262
第10章高性能的Python265
10.1循環266
10.1.1Python266
10.1.2NumPy267
10.1.3Numba268
10.1.4Cython269
10.2算法271
10.2.1質數271
10.2.2斐波那契數275
10.2.3π279
10.3二叉樹283
10.3.1Python283
10.3.2NumPy285
10.3.3Numba286
10.3.4Cython287
10.4蒙特卡洛模擬288
10.4.1Python289
10.4.2NumPy291
10.4.3Numba291
10.4.4Cython292
10.4.5多進程293
10.5pandas遞歸算法294
10.5.1Python294
10.5.2Numba296
10.5.3Cython296
10.6結語297
10.7延伸閱讀298
第11章數學工具299
11.1逼近法299
11.1.1回歸301
11.1.2插值310
11.2凸優化314
11.2.1全局優化315
11.2.2局部優化317
11.2.3有約束優化318
11.3積分320
11.3.1數值積分321
11.3.2通過模擬求取積分322
11.4符號計算323
11.4.1基礎知識323
11.4.2方程式325
11.4.3積分與微分325
11.4.4微分326
11.5結語328
11.6延伸閱讀328
第12章推斷統計學331
12.1隨機數332
12.2模擬338
12.2.1隨機變量338
12.2.2隨機過程341
12.2.3方差縮減356
12.3估值359
12.3.1歐式期權359
12.3.2美式期權364
12.4風險測度367
12.4.1風險價值367
12.4.2信用價值調整371
12.5Python腳本374
12.6結語377
12.7延伸閱讀377
第13章統計學379
13.1正態性檢驗380
13.1.1基準案例381
13.1.2真實數據390
13.2投資組合優化396
13.2.1數據396
13.2.2基本理論398
13.2.3很優投資組合401
13.2.4有效邊界404
13.2.5資本市場線405
13.3貝葉斯統計408
13.3.1貝葉斯公式409
13.3.2貝葉斯回歸410
13.3.3兩種金融工具414
13.3.4隨時更新估算值418
13.4機器學習423
13.4.1無監督學習423
13.4.2有監督學習426
13.5結語441
13.6延伸閱讀441
第4部分算法交易
第14章FXCM交易平臺445
14.1入門446
14.2讀取數據447
14.2.1讀取分筆交易數據447
14.2.2讀取K線（蠟燭圖）數據449
14.3使用API451
14.3.1讀取歷史數據452
14.3.2讀取流數據454
14.3.3下單455
14.3.4賬戶信息457
14.4結語457
14.5延伸閱讀458
第15章交易策略459
15.1簡單移動平均數460
15.1.1數據導入460
15.1.2交易策略461
15.1.3向量化事後檢驗463
15.1.4優化465
15.2隨機遊走假設467
15.3線性OLS回歸469
15.3.1數據470
15.3.2回歸472
15.4聚類474
15.5頻率方法476
15.6分類479
15.6.1特征479
15.6.2特征480
15.6.35個數字化特征482
15.6.4順序訓練-測試分離484
15.6.5隨機訓練-測試分離485
15.7深度神經網絡486
15.7.1用scikit-learn實現DNN486
15.7.2用TensorFlow實現DNN489
15.8結語492
15.9延伸閱讀493
第16章自動化交易495
16.1資本管理496
16.1.1二項設定中的凱利標準496
16.1.2用於股票及指數的凱利標準500
16.2基於ML的交易策略505
16.2.1向量化事後檢驗505
16.2.2很優杠杆510
16.2.3風險分析512
16.2.4持久化模型對像515
16.3在線算法516
16.4基礎設施與部署518
16.5日志與監控519
16.6結語521
16.7Python腳本522
16.7.1自動化交易策略522
16.7.2策略監控525
16.8延伸閱讀525
第5部分衍生品分析
第17章估值框架529
17.1資產定價基本定理529
17.1.1簡單示例530
17.1.2一般結果530
17.2風險中立折現532
17.2.1日期建模與處理532
17.2.2恆定短期利率534
17.3市場環境536
17.4結語539
17.5延伸閱讀540
第18章金融模型的模擬541
18.1隨機數生成542
18.2通用模擬類544
18.3幾何布朗運動548
18.3.1模擬類548
18.3.2用例550
18.4跳躍擴散553
18.4.1模擬類553
18.4.2用例556
18.5平方根擴散557
18.5.1模擬類558
18.5.2用例560
18.6結語561
18.7延伸閱讀563
第19章衍生品估值565
19.1通用估值類566
19.2歐式行權570
19.2.1估值類570
19.2.2用例572
19.3美式行權577
19.3.1最小二乘蒙特卡洛方法577
19.3.2估值類578
19.3.3用例580
19.4結語583
19.5延伸閱讀585
第20章投資組合估值587
20.1衍生品頭寸588
20.1.1類588
20.1.2用例590
20.2衍生品投資組合592
20.2.1類592
20.2.2用例597
20.3結語604
20.4延伸閱讀605
第21章基於市場的估值607
21.1期權數據608
21.2模型檢驗610
21.2.1相關市場數據611
21.2.2期權建模612
21.2.3檢驗過程615
21.3投資組合估值620
21.3.1建立期權頭寸模型621
21.3.2期權投資組合622
21.4Python代碼623
21.5結語625
21.6延伸閱讀626
附錄A日期與時間627
A.1Python627
A.2NumPy633
A.3pandas636
附錄BBSM期權類641
B.1類定義641
B.2類的使用643
《Python金融大數據分析 第2版》分為5部分，共21章。第1部分介紹了Python在金融學中的應用，其內容涵蓋了Python用於金融行業的原因、Python的基礎架構和工具，以及Python在計量金融學中的一些具體入門實例；第2部分介紹了Python的基礎知識以及Python中非常有名的庫NumPy和pandas工具集，還介紹了面向對像編程；第3部分介紹金融數據科學的相關基本技術和方法，包括數據可視化、輸入/輸出操作和數學中與金融相關的知識等；第4部分介紹Python在算法交易上的應用，重點介紹常見算法，包括機器學習、深度神經網絡等人工智能相關算法；第5部分講解基於蒙特卡洛模擬開發期權及衍生品定價的應用，其內容涵蓋了估值框架的介紹、金融模型的模擬、衍生品的估值、投資組合的估值等知識。《Python金融大數據分析 第2版》本書適合對使用Python進行大數據分析、處理感興趣的金融行業開發等
