第一章导论001
第一节机器学习导论001
第二节金融交易如何使用机器学习方法002
第三节本书内容和结构008
第一篇机器学习交易基础
第二章机器学习基础011
第一节机器学习的基本原理011
第二节机器学习方法分类018
第三节机器学习的常用算法023
第三章Python编程基础028
第一节Python的特点和发展028
第二节Python的环境搭建029
第三节Python的基本语法034
第四节Python的数据处理044
第五节Python的文件存取054
第四章基于Python的机器学习软件包060
第一节机器学习工具包Scikitlearn060
第二节深度学习框架TensorFlow064
第三节神经网络训练框架Keras070
第五章国信iQuant量化交易平台084
第一节国信iQuant的基本功能084
第二节投资研究084
第三节向导式策略生成器087
第四节我的策略089
第五节策略常用API097
第六章交易策略学习模型的数据准备102
第一节数据清理102
第二节数据标准化107
第三节数据中性化108
第四节独热编码112
第二篇机器学习回归分析
第七章线性回归估值选股模型117
第一节线性回归分析的基本思想117
第二节线性回归算法实现118
第三节线性回归估值选股模型121
第八章逻辑回归收益率预测选股模型126
第一节逻辑回归的基本思想126
第二节逻辑回归的算法实现127
第三节逻辑回归收益率预测选股模型128
第三篇机器学习分类模型
第九章决策树分类择时模型137
第一节决策树分类模型的基本原理137
第二节决策树的Python程序实现139
第三节决策树分类模型的训练和测试143
第四节决策树分类模型的程序化交易应用144
第十章朴素贝叶斯分类择时模型145
第一节朴素贝叶斯分类模型的基本原理145
第二节朴素贝叶斯的Python程序实现147
第三节朴素贝叶斯模型的程序化交易应用149
第十一章支持向量机分类择时模型153
第一节支持向量机分类模型的基本原理153
第二节支持向量机分类模型的Python程序实现155
第三节支持向量机分类模型的结果评价161
第四篇机器学习聚类和关联分析
第十二章K均值聚类分析选股模型165
第一节K均值聚类分析的原理165
第二节K均值聚类分析程序166
第三节K均值多因子选股策略167
第十三章Apriori股票关联分析模型175
第一节Apriori算法的基本原理175
第二节Apriori算法的Python代码176
第三节利用Apriori算法挖掘高相关度股票179
第五篇神经网络学习
第十四章BP神经网络择时模型187
第一节BP神经网络择时模型的基本原理187
第二节BP神经网络择时模型的Python编程192
第三节BP神经网络择时交易案例204
第四节BP神经网络择时模型在国信iQuant的应用211
第十五章循环神经网络择时模型221
第一节循环神经网络择时模型的基本原理221
第二节循环神经网络择时模型的Python编程224
第三节循环神经网络择时交易案例230
第十六章长短期记忆择时交易模型236
第一节长短期记忆择时交易模型基本原理236
第二节长短期记忆择时交易模型的Python编程242
第三节长短期记忆择时交易案例251
第十七章卷积神经网络择时交易模型259
第一节卷积神经网络择时交易模型基本原理259
第二节卷积神经网络择时交易模型的Python程序实现264
第三节卷积神经网络择时交易案例271
第十八章结语277
参考文献281
