Python金融大数据分析 (第2版) 在线下载 pdf mobi 2025 epub 电子版

Python已成为数据驱动AI、金融优先选择的编程语言。现在，一些大型的投资银行和对冲资金均使用Python及其生态系统来构建核心交易与风险管理系统。在本书中，作者向开发人员和量化分析人员介绍了使用Python程序库与工具，完成金融数据科学、算法交易和计算金融任务的方法。

Python与金融：Python交互式金融分析与程序开发入门。

基本知识：学习Python数据类型与结构、NumPy、pandas及其DataFrame类、面向对象编程。

金融数据科学：探索用于金融时间序列数据、I/O操作、推断统计学和机器学习的Python技术与程序库。

算法交易：使用Python来验证和部署自动算法交易策略。

衍生品分析：开发灵活、强大的Python期权、衍生品定价和风险管理程序库。

本书分为5部分，共21章。第1部分介绍了Python在金融学中的应用，其内容涵盖了Python用于金融行业的原因、Python的基础架构和工具，以及Python在计量金融学中的一些具体入门实例；第2部分介绍了Python的基础知识以及Python中非常有名的库NumPy和pandas工具集，还介绍了面向对象编程；第3部分介绍金融数据科学的相关基本技术和方法，包括数据可视化、输入/输出操作和数学中与金融相关的知识等；第4部分介绍Python在算法交易上的应用，重点介绍常见算法，包括机器学习、深度神经网络等人工智能相关算法；第5部分讲解基于蒙特卡洛模拟开发期权及衍生品定价的应用，其内容涵盖了估值框架的介绍、金融模型的模拟、衍生品的估值、投资组合的估值等知识。

目录

第1部分　Python与金融

第1章　为什么将Python用于金融 3

1.1　Python编程语言 3

1.1.1　Python简史 5

1.1.2　Python生态系统 6

1.1.3　Python用户谱系 7

1.1.4　科学栈 7

1.2　金融中的科技 8

1.2.1　科技投入 9

1.2.2　作为业务引擎的科技 9

1.2.3　作为进入门槛的科技和人才 10

1.2.4　不断提高的速度、频率和数据量 10

1.2.5　实时分析的兴起 11

1.3　用于金融的Python 12

1.3.1　金融和Python语法 12

1.3.2　Python的效率和生产率 16

1.3.3　从原型化到生产 20

1.4　数据驱动和人工智能优先的金融学 21

1.4.1　数据驱动金融学 21

1.4.2　人工智能优先金融学 24

1.5　结语 26

1.6　延伸阅读 27

第2章　Python基础架构 29

2.1　作为包管理器使用的conda 31

2.1.1　安装Miniconda 31

2.1.2　conda基本操作 33

2.2　作为虚拟环境管理器的conda 37

2.3　使用Docker容器 41

2.3.1　Docker镜像和容器 41

2.3.2　构建Ubuntu和Python Docker镜像 42

2.4　使用云实例 46

2.4.1　RSA公钥和私钥 47

2.4.2　Jupyter Notebook配置文件 48

2.4.3　Python和Jupyter Notebook安装脚本 49

2.4.4　协调Droplet设置的脚本 51

2.5　结语 52

2.6　延伸阅读 53

第2部分　掌握基础知识

第3章　数据类型与结构 57

3.1　基本数据类型 58

3.1.1　整数 58

3.1.2　浮点数 59

3.1.3　布尔值 61

3.1.4　字符串 65

3.1.5　题外话：打印和字符串替换 66

3.1.6　题外话：正则表达式 69

3.2　基本数据结构 71

3.2.1　元组 71

3.2.2　列表 72

3.2.3　题外话：控制结构 74

3.2.4　题外话：函数式编程 75

3.2.5　字典 76

3.2.6　集合 78

3.3　结语 79

3.4　延伸阅读 79

第4章　用NumPy进行数值计算 81

4.1　数据数组 82

4.1.1　用Python列表形成数组 82

4.1.2　Python array类 84

4.2　常规NumPy数组 86

4.2.1　基础知识 86

4.2.2　多维数组 89

4.2.3　元信息 93

4.2.4　改变组成与大小 93

4.2.5　布尔数组 97

4.2.6　速度对比 99

4.3　NumPy结构数组 100

4.4　代码向量化 102

4.4.1　基本向量化 102

4.4.2　内存布局 105

4.5　结语 107

4.6　延伸阅读 108

第5章　pandas数据分析 109

5.1　DataFrame类 110

5.1.1　使用DataFrame类的第一步 110

5.1.2　使用DataFrame类的第二步 114

5.2　基本分析 118

5.3　基本可视化 122

5.4　Series类 124

5.5　GroupBy操作 126

5.6　复杂选择 128

5.7　联接、连接和合并 131

5.7.1　联接 132

5.7.2　连接 133

5.7.3　合并 135

5.8　性能特征 137

5.9　结语 139

5.10　延伸阅读 140

第6章　面向对象编程 141

6.1　Python对象简介 145

6.1.1　int 145

6.1.2　list 146

6.1.3　ndarray 146

6.1.4　DataFrame 148

6.2　Python类基础知识 149

6.3　Python数据模型 154

6.4　Vector类 158

6.5　结语 159

6.6　延伸阅读 159

第3部分　金融数据科学

第7章　数据可视化 163

7.1　静态2D绘图 164

7.1.1　一维数据集 164

7.1.2　二维数据集 170

7.1.3　其他绘图样式 177

7.2　静态3D绘图 184

7.3　交互式2D绘图 188

7.3.1　基本图表 188

7.3.2　金融图表 192

7.4　结语 196

7.5　延伸阅读 196

第8章　金融时间序列 197

8.1　金融数据 198

8.1.1　数据导入 198

8.1.2　汇总统计 201

8.1.3　随时间推移的变化 203

8.1.4　重新采样 207

8.2　滚动统计 209

8.2.1　概述 209

8.2.2　技术分析示例 211

8.3　相关分析 213

8.3.1　数据 213

8.3.2　对数回报率 214

8.3.3　OLS回归 216

8.3.4　相关 217

8.4　高频数据 218

8.5　结语 220

8.6　延伸阅读 220

第9章　输入/输出操作 221

9.1　Python基本I/O 222

9.1.1　将对象写入磁盘 222

9.1.2　读取和写入文本文件 225

9.1.3　使用SQL数据库 229

9.1.4　读写NumPy数组 232

9.2　pandas的I/O 234

9.2.1　使用SQL数据库 235

9.2.2　从SQL到pandas 237

9.2.3　使用CSV文件 239

9.2.4　使用Excel文件 240

9.3　PyTables的I/O 242

9.3.1　使用表 242

9.3.2　使用压缩表 250

9.3.3　使用数组 252

9.3.4　内存外计算 253

9.4　TsTables的I/O 256

9.4.1　样板数据 257

9.4.2　数据存储 258

9.4.3　数据检索 259

9.5　结语 261

9.6　延伸阅读 262

第10章　高性能的Python 265

10.1　循环 266

10.1.1　Python 266

10.1.2　NumPy 267

10.1.3　Numba 268

10.1.4　Cython 269

10.2　算法 271

10.2.1　质数 271

10.2.2　斐波那契数 275

10.2.3　π 279

10.3　二叉树 283

10.3.1　Python 283

10.3.2　NumPy 285

10.3.3　Numba 286

10.3.4　Cython 287

10.4　蒙特卡洛模拟 288

10.4.1　Python 289

10.4.2　NumPy 291

10.4.3　Numba 291

10.4.4　Cython 292

10.4.5　多进程 293

10.5　pandas递归算法 294

10.5.1　Python 294

10.5.2　Numba 296

10.5.3　Cython 296

10.6　结语 297

10.7　延伸阅读 298

第11章　数学工具 299

11.1　逼近法 299

11.1.1　回归 301

11.1.2　插值 310

11.2　凸优化 314

11.2.1　全局优化 315

11.2.2　局部优化 317

11.2.3　有约束优化 318

11.3　积分 320

11.3.1　数值积分 321

11.3.2　通过模拟求取积分 322

11.4　符号计算 323

11.4.1　基础知识 323

11.4.2　方程式 325

11.4.3　积分与微分 325

11.4.4　微分 326

11.5　结语 328

11.6　延伸阅读 328

第12章　推断统计学 331

12.1　随机数 332

12.2　模拟 338

12.2.1　随机变量 338

12.2.2　随机过程 341

12.2.3　方差缩减 356

12.3　估值 359

12.3.1　欧式期权 359

12.3.2　美式期权 364

12.4　风险测度 367

12.4.1　风险价值 367

12.4.2　信用价值调整 371

12.5　Python脚本 374

12.6　结语 377

12.7　延伸阅读 377

第13章　统计学 379

13.1　正态性检验 380

13.1.1　基准案例 381

13.1.2　真实数据 390

13.2　投资组合优化 396

13.2.1　数据 396

13.2.2　基本理论 398

13.2.3　最优投资组合 401

13.2.4　有效边界 404

13.2.5　资本市场线 405

13.3　贝叶斯统计 408

13.3.1　贝叶斯公式 409

13.3.2　贝叶斯回归 410

13.3.3　两种金融工具 414

13.3.4　随时更新估算值 418

13.4　机器学习 423

13.4.1　无监督学习 423

13.4.2　有监督学习 426

13.5　结语 441

13.6　延伸阅读 441

第4部分　算法交易

第14章　FXCM交易平台 445

14.1　入门 446

14.2　读取数据 447

14.2.1　读取分笔交易数据 447

14.2.2　读取K线（蜡烛图）数据 449

14.3　使用API 451

14.3.1　读取历史数据 452

14.3.2　读取流数据 454

14.3.3　下单 455

14.3.4　账户信息 457

14.4　结语 457

14.5　延伸阅读 458

第15章　交易策略 459

15.1　简单移动平均数 460

15.1.1　数据导入 460

15.1.2　交易策略 461

15.1.3　向量化事后检验 463

15.1.4　优化 465

15.2　随机游走假设 467

15.3　线性OLS回归 469

15.3.1　数据 470

15.3.2　回归 472

15.4　聚类 474

15.5　频率方法 476

15.6　分类 479

15.6.1　两个二元特征 479

15.6.2　5个二元特征 480

15.6.3　5个数字化特征 482

15.6.4　顺序训练-测试分离 484

15.6.5　随机训练-测试分离 485

15.7　深度神经网络 486

15.7.1　用scikit-learn实现DNN 486

15.7.2　用TensorFlow实现DNN 489

15.8　结语 492

15.9　延伸阅读 493

第16章　自动化交易 495

16.1　资本管理 496

16.1.1　二项设定中的凯利标准 496

16.1.2　用于股票及指数的凯利标准 500

16.2　基于ML的交易策略 505

16.2.1　向量化事后检验 505

16.2.2　最优杠杆 510

16.2.3　风险分析 512

16.2.4　持久化模型对象 515

16.3　在线算法 516

16.4　基础设施与部署 518

16.5　日志与监控 519

16.6　结语 521

16.7　Python脚本 522

16.7.1　自动化交易策略 522

16.7.2　策略监控 525

16.8　延伸阅读 525

第5部分　衍生品分析

第17章　估值框架 529

17.1　资产定价基本定理 529

17.1.1　简单示例 530

17.1.2　一般结果 530

17.2　风险中立折现 532

17.2.1　日期建模与处理 532

17.2.2　恒定短期利率 534

17.3　市场环境 536

17.4　结语 539

17.5　延伸阅读 540

第18章　金融模型的模拟 541

18.1　随机数生成 542

18.2　通用模拟类 544

18.3　几何布朗运动 548

18.3.1　模拟类 548

18.3.2　用例 550

18.4　跳跃扩散 553

18.4.1　模拟类 553

18.4.2　用例 556

18.5　平方根扩散 557

18.5.1　模拟类 558

18.5.2　用例 560

18.6　结语 561

18.7　延伸阅读 563

第19章　衍生品估值 565

19.1　通用估值类 566

19.2　欧式行权 570

19.2.1　估值类 570

19.2.2　用例 572

19.3　美式行权 577

19.3.1　最小二乘蒙特卡洛方法 577

19.3.2　估值类 578

19.3.3　用例 580

19.4　结语 583

19.5　延伸阅读 585

第20章　投资组合估值 587

20.1　衍生品头寸 588

20.1.1　类 588

20.1.2　用例 590

20.2　衍生品投资组合 592

20.2.1　类 592

20.2.2　用例 597

20.3　结语 604

20.4　延伸阅读 605

第21章　基于市场的估值 607

21.1　期权数据 608

21.2　模型检验 610

21.2.1　相关市场数据 611

21.2.2　期权建模 612

21.2.3　检验过程 615

21.3　投资组合估值 620

21.3.1　建立期权头寸模型 621

21.3.2　期权投资组合 622

21.4　Python代码 623

21.5　结语 625

21.6　延伸阅读 626

附录A　日期与时间 627

A.1　Python 627

A.2　NumPy 633

A.3　pandas 636

附录B　BSM期权类 641

B.1　类定义 641

B.2　类的使用 643

Yves Hilpisch博士是Python Quants集团的创始人和管理合伙人。该集团致力于应用开源技术来解决金融数据科学、人工智能、算法交易和计算金融学等问题。他还是AI Machine公司的创始人和CEO。这个公司的主营业务是通过专属策略执行平台来发挥人工智能的威力。他还是Python算法交易大学认证的在线培训项目的主管。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：Python金融大数据分析 (第2版)在线阅读

在线听书地址：Python金融大数据分析 (第2版)在线收听

在线购买地址：Python金融大数据分析 (第2版)在线购买

NumPy提供了常规数组（至少缺乏dtype限制）的广义形式，但是我们暂时坚持使用常规数组，以观察这种专门化措施对性能的影响。

做个简单的练习，假定我们要生成一个5000 x 5000个元素组成的矩阵/数组，填入标准正态分布（伪）随机数，然后计算所有元素的总和。首先采用纯Python方法，大量使用列表推导和函数式编程方法以及lambda函数：

In [111]: import random

I = 5000

In [112]: %time mat = [[random.gauss(0,1) for j in range(l)] for i in range(l)] » a nested list comprehension

0ut[112]: CPU times: user 36.5 s, sys: 408 ms, total: 36.9 s Wall time: 36.4 s

In [113]: %time reduce(lambda x, y: x + y, reduce(lambda x, y: x + y, row for row in mat])

0ut[113]: CPU times: user 4.3 s, sys: 52ms, total: 4.35s

678.5908519876647

现在转向NumPy,看看同一个问题如何解决。为方便起见，NumPy子库random提供了多种函数，以初始化numpy.ndarray对象，同时填入（伪）随机数：

In [114]: %time mat = np.random.standard_normal((I, I))

0ut[114]: CPU times: user 1.83 s, sys: 40 ms, total: 1.87 s Wall time: 1.87 s in [115]:...

书籍介绍

Python已成为数据驱动AI、金融优先选择的编程语言。现在，一些大型的投资银行和对冲资金均使用Python及其生态系统来构建核心交易与风险管理系统。在本书中，作者向开发人员和量化分析人员介绍了使用Python程序库与工具，完成金融数据科学、算法交易和计算金融任务的方法。

Python与金融：Python交互式金融分析与程序开发入门。

基本知识：学习Python数据类型与结构、NumPy、pandas及其DataFrame类、面向对象编程。

金融数据科学：探索用于金融时间序列数据、I/O操作、推断统计学和机器学习的Python技术与程序库。

算法交易：使用Python来验证和部署自动算法交易策略。

衍生品分析：开发灵活、强大的Python期权、衍生品定价和风险管理程序库。

本书分为5部分，共21章。第1部分介绍了Python在金融学中的应用，其内容涵盖了Python用于金融行业的原因、Python的基础架构和工具，以及Python在计量金融学中的一些具体入门实例；第2部分介绍了Python的基础知识以及Python中非常有名的库NumPy和pandas工具集，还介绍了面向对象编程；第3部分介绍金融数据科学的相关基本技术和方法，包括数据可视化、输入/输出操作和数学中与金融相关的知识等；第4部分介绍Python在算法交易上的应用，重点介绍常见算法，包括机器学习、深度神经网络等人工智能相关算法；第5部分讲解基于蒙特卡洛模拟开发期权及衍生品定价的应用，其内容涵盖了估值框架的介绍、金融模型的模拟、衍生品的估值、投资组合的估值等知识。

• 作者：Trendency 发布时间：2023-04-06 14:26:23

  第三遍读，除12、13章及第5部分外的内容基本掌握，这些章节等熟悉完统计与机器学习后再回头看

• 作者：seven-seven 发布时间：2008-08-12 16:11:13

  关于梦想

• 作者：异步图书 发布时间：2023-12-11 10:41:51

  金融科技算法交易量化金融教程书籍，详细讲解使用Python分析处理金融大数据的专业图书，将人工智能应用于金融开发的实战指南读物。

• 作者：lisa 发布时间：2020-04-09 14:46:36

  编程经典

• 作者：evanzh7 发布时间：2023-05-15 08:06:53

  一共19章，3章入门介绍，8章python基础，8章内容才是跟金融有关的数据分析

• 作者：霁然 发布时间：2021-03-29 00:04:14

  读出好来了

• Python金融分析与量化交易实战视频教程

  作者：豆瓣酱 发布时间：2020-11-16 16:02:45

  【完整版20章，172节，附源码数据】Python金融分析与量化交易实战视频教程

  网盘地址：

  https://pan.baidu.com/s/1W0kvWIJ-yUAcpdl23DXc-A

  提取码: isy7

  备用地址（腾讯微云）：

  https://share.weiyun.com/GwY8f307

  密码：7wjuf6

  Python金融分析与量化交易实战课程旨在帮助同学们快速掌握Python数据分心核心技能与交易交易系统策略部署与回测分析。

  全部课程内容皆以实战为主，通俗讲解数据分析常用方法与经典解决方案。

  主要包括三大核心模块：1.Python数据科学必备工具包实战；2.金融数据分析处理与分析实例；3.量化交易平台策略分析实战。整体风格通俗易懂，零基础即可入门，适合准备转行就业与进阶提升的同学们

• 读本书的收获、踩过的坑和发现的错误

  作者：霁然 发布时间：2021-03-29 22:33:30

  一共看了三本python与数据分析的动物书，《利用python进行数据分析》、《python数据科学手册》还有这本。原计划用1个月读完，结果由于工作的关系拖到了3个月。手敲了每一行代码，收获比预期的大。作者偏业界，好像是CQF的导师，书的内容也很实用，期权部分是完整的工程项目，但书里也存在一些错误。为方便其他读者，主要收获、踩过的坑和错误都列举一下：

  第一部分（1-2章）：python软件和安装介绍，其中创造anaconda环境很必要（后面会提到）。

  第二部分（3-6章）：对列表、字典、numpy和pandas、类的介绍都比较简单，这部分推荐阅读《利用python进行数据分析》，比较好的是对不同编程方式的速度做了对比，偏工程的实用思维；很多小技巧可以结合具体工作使用，比如将map和filter的函数式编程方法应用在pandas中数据列的条件选择。另外本书会在每章后列出相关推荐书目这点非常好。

  第三部分（7-13章）：这部分和《利用python进行数据分析》交集很多。第8章对matplotlib的使用语句非常简洁；第10章简要介绍了numba和cython，演示了什么情形能够提升运算速度；

  多进程策略不适用anaconda，建议换pycharm等编译器

  ；第11章scipy和sympy的例子介绍得很清楚；第12、13章把基础理论和代码结合得很好，这里重点在书外，

  13.3节中PyMC3包的安装很复杂，要先conda install mingw libpython

  ，另外整个包已经更新了，需要做summary和traceplot的话（In[10] 和In[12])要import arviz包，举个例子：pm.traceplot()要替换为arviz.plot_trace()。13.4节机器学习中scikit-learn部分金融数据的例子举得很贴合，希望进一步了解原理可以参阅《python数据科学手册》；tensorflow部分，书中的语句是1.x的版本，安装最新2.4.1版本的TensorFlow会报错，安装1.x的版本又和最新3.8版本的python不兼容，

  建议在anaconda里创建3.7的python环境，再安装1.14.0的TensorFlow，源包下载有问题的话可以更换清华镜像。

  但书里对tensorflow的介绍其实不多，嫌麻烦可以跳过，实际金融数据很少涉及深度学习，机器学习scikit-learn足够了。

  第四部分（14-16章）：第14章介绍的是从福汇交易平台取数，跳过；第15、16章使用sklearn和tensorflow构建了一些交易策略，对书里的外汇交易数据处理效果不错，我换成国内的沪深300股指还有茅台、招行等股票试了下，效果不稳定，有时惨不忍睹，这部分主要还是熟悉数据处理和交易策略构建，有一些很好的小技巧值得借鉴。

  第五部分（17-20章）：完整的衍生品估值框架，

  这部分涉及到不同程序（.py）的引用和封装，建议换pycharm编译器，

  要学会类的合理使用。类和函数互相引用很多，很容易绕晕，要想学懂建议采用不通过函数和类的方式重新写一遍实现相同功能。这部分有几处明显错误，

  18章中的图18-3和上面的代码不匹配，书中重新贴了图18-2的代码

  ，应改为plt.figure(figsize=(10,6)) srd.generate_time_grid() plt.plot(srd.time_grid,srd_paths)；20章20.1.1类中 class derivative_position(object) 下的

  get_info(self)函数应该整体左移，而不是__init__（）的子函数

  （应该是印刷排版问题）；20-1图有问题，我的程序跑下来‘gbm’和‘jd’走势差别没那么显著。