量化投资 数据挖掘技术与实践 MATLAB版2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

量化投资 数据挖掘技术与实践 MATLAB版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一篇 基础篇2

第1章 绪论2

1.1 量化投资与数据挖掘的关系2

1.1.1 什么是量化投资2

1.1.2 量化投资的特点3

1.1.3 量化投资的核心——量化模型5

1.1.4 量化模型的主要产生方法——数据挖掘7

1.2 数据挖掘的概念和原理8

1.2.1 什么是数据挖掘8

1.2.2 数据挖掘的原理10

1.3 数据挖掘在量化投资中的应用11

1.3.1 宏观经济分析11

1.3.2 估价13

1.3.3 量化选股14

1.3.4 量化择时14

1.3.5 算法交易15

1.4 本章小结16

参考文献16

第2章 数据挖掘的内容、过程及工具17

2.1 数据挖掘的内容17

2.1.1 关联17

2.1.2 回归19

2.1.3 分类20

2.1.4 聚类21

2.1.5 预测22

2.1.6 诊断24

2.2 数据挖据过程25

2.2.1 数据挖掘过程概述25

2.2.2 挖掘目标的定义26

2.2.3 数据的准备26

2.2.4 数据的探索28

2.2.5 模型的建立30

2.2.6 模型的评估34

2.2.7 模型的部署35

2.3 数据挖掘工具36

2.3.1 MATLAB36

2.3.2 SAS37

2.3.3 SPSS38

2.3.4 WEKA40

2.3.5 R41

2.3.6 工具的比较与选择42

2.4 本章小结43

参考文献44

第二篇 技术篇47

第3章 数据的准备47

3.1 数据的收集47

3.1.1 认识数据47

3.1.2 数据挖掘的数据源49

3.1.3 数据抽样50

3.1.4 量化投资的数据源51

3.1.5 从雅虎获取交易数据53

3.1.6 从大智慧获取财务数据56

3.1.7 从Wind获取高质量数据57

3.2 数据质量分析59

3.2.1 数据质量分析的必要性59

3.2.2 数据质量分析的目的60

3.2.3 数据质量分析的内容60

3.2.4 数据质量分析的方法61

3.2.5 数据质量分析的结果及应用66

3.3 数据预处理67

3.3.1 为什么需要数据预处理67

3.3.2 数据预处理的主要任务68

3.3.3 数据清洗69

3.3.4 数据集成73

3.3.5 数据归约74

3.3.6 数据变换74

3.4 本章小结77

参考文献77

第4章 数据的探索78

4.1 衍生变量79

4.1.1 衍生变量的定义79

4.1.2 变量衍生的原则和方法80

4.1.3 常用的股票衍生变量80

4.1.4 评价型衍生变量85

4.1.5 衍生变量数据收集与集成87

4.2 数据的统计88

4.2.1 基本描述性统计89

4.2.2 分布描述性统计90

4.3 数据可视化90

4.3.1 基本可视化方法91

4.3.2 数据分布形状可视化92

4.3.3 数据关联情况可视化94

4.3.4 数据分组可视化95

4.4 样本选择97

4.4.1 样本选择的方法97

4.4.2 样本选择应用实例98

4.5 数据降维100

4.5.1 主成分分析（PCA）基本原理100

4.5.2 PCA应用案例：企业综合实力排序103

4.5.3 相关系数降维106

4.6 本章小结107

参考文献108

第5章 关联规则方法109

5.1 关联规则概要109

5.1.1 关联规则提出背景109

5.1.2 关联规则的基本概念110

5.1.3 关联规则的分类112

5.1.4 关联规则挖掘常用算法113

5.2 Apriori算法113

5.2.1 Apriori算法的基本思想113

5.2.2 Apriori算法的步骤114

5.2.3 Apriori算法的实例114

5.2.4 Apriori算法的程序实现117

5.2.5 Apriori算法的优缺点120

5.3 FP-Growth算法121

5.3.1 FP-Growth算法步骤121

5.3.2 FP-Growth算法实例122

5.3.3 FP-Growth算法的优缺点124

5.4 应用实例：行业关联选股法124

5.5 本章小结126

参考文献127

第6章 数据回归方法128

6.1 一元回归129

6.1.1 一元线性回归129

6.1.2 一元非线性回归133

6.1.3 一元多项式回归138

6.2 多元回归138

6.2.1 多元线性回归138

6.2.2 多元多项式回归142

6.3 逐步归回145

6.3.1 逐步回归的基本思想145

6.3.2 逐步回归步骤146

6.3.3 逐步回归的MATLAB方法147

6.4 Logistic回归149

6.4.1 Logistic模型149

6.4.2 Logistic回归实例150

6.5 应用实例：多因子选股模型的实现153

6.5.1 多因子模型的基本思想153

6.5.2 多因子模型的实现154

6.6 本章小结157

参考文献157

第7章 分类方法158

7.1 分类方法概要158

7.1.1 分类的概念158

7.1.2 分类的原理159

7.1.3 常用的分类方法160

7.2 K－近邻（KNN）161

7.2.1 K－近邻原理161

7.2.2 K－近邻实例163

7.2.3 K－近邻特点166

7.3 贝叶斯分类167

7.3.1 贝叶斯分类原理167

7.3.2 朴素贝叶斯分类原理167

7.3.3 朴素贝叶斯分类实例170

7.3.4 朴素贝叶斯特点170

7.4 神经网络171

7.4.1 神经网络的原理171

7.4.2 神经网络的实例173

7.4.3 神经网络的特点174

7.5 逻辑斯蒂（Logistic）175

7.5.1 逻辑斯蒂的原理175

7.5.2 逻辑斯蒂的实例175

7.5.3 逻辑斯蒂的特点175

7.6 判别分析176

7.6.1 判别分析的原理176

7.6.2 判别分析的实例177

7.6.3 判别分析的特点177

7.7 支持向量机（SVM）178

7.7.1 SVM的基本思想178

7.7.2 理论基础179

7.7.3 支持向量机的实例182

7.7.4 支持向量机的特点182

7.8 决策树183

7.8.1 决策树的基本概念183

7.8.2 决策树的建构的步骤184

7.8.3 决策树的实例187

7.8.4 决策树的特点188

7.9 分类的评判188

7.9.1 正确率188

7.9.2 ROC曲线191

7.10 应用实例：分类选股法193

7.10.1 案例背景193

7.10.2 实现方法194

7.11 延伸阅读：其他分类方法197

7.12 本章小结197

参考文献198

第8章 聚类方法199

8.1 聚类方法概要200

8.1.1 聚类的概念200

8.1.2 类的度量方法201

8.1.3 聚类方法的应用场景203

8.1.4 聚类方法的分类204

8.2 K-means方法205

8.2.1 K-means的原理和步骤205

8.2.2 K-means实例1：自主编程206

8.2.3 K-means实例2：集成函数208

8.2.4 K-means的特点212

8.3 层次聚类212

8.3.1 层次聚类的原理和步骤212

8.3.2 层次聚类的实例214

8.3.3 层次聚类的特点217

8.4 神经网络聚类217

8.4.1 神经网络聚类的原理和步骤217

8.4.2 神经网络聚类的实例218

8.4.3 神经网络聚类的特点219

8.5 模糊C－均值（FCM）方法219

8.5.1 FCM的原理和步骤219

8.5.2 FCM的应用实例220

8.5.3 FCM算法的特点221

8.6 高斯混合聚类方法222

8.6.1 高斯混合聚类的原理和步骤222

8.6.2 高斯聚类的实例224

8.6.3 高斯聚类的特点225

8.7 类别数的确定方法225

8.7.1 类别的原理225

8.7.2 类别的实例227

8.8 应用实例：股票聚类分池229

8.8.1 聚类目标和数据描述229

8.8.2 实现过程229

8.8.3 结果及分析231

8.9 延伸阅读233

8.9.1 目前聚类分析研究的主要内容233

8.9.2 SOM智能聚类算法234

8.10 本章小结235

参考文献235

第9章 预测方法236

9.1 预测方法概要236

9.1.1 预测的概念236

9.1.2 预测的基本原理237

9.1.3 量化投资中预测的主要内容238

9.1.4 预测的准确度评价及影响因素239

9.1.5 常用的预测方法240

9.2 灰色预测241

9.2.1 灰色预测原理241

9.2.2 灰色预测的实例243

9.3 马尔科夫预测246

9.3.1 马尔科夫预测的原理246

9.3.2 马尔科夫过程的特性247

9.3.3 马尔科夫预测的实例248

9.4 应用实例：大盘走势预测252

9.4.1 数据的选取及模型的建立252

9.4.2 预测过程253

9.4.3 预测结果与分析254

9.5 本章小结255

参考文献256

第10章 诊断方法257

10.1 离群点诊断概要257

10.1.1 离群点诊断的定义257

10.1.2 离群点诊断的作用258

10.1.3 离群点诊断方法分类260

10.2 基于统计的离群点诊断260

10.2.1 理论基础260

10.2.2 应用实例262

10.2.3 优点与缺点264

10.3 基于距离的离群点诊断264

10.3.1 理论基础264

10.3.2 应用实例265

10.3.3 优点与缺点267

10.4 基于密度的离群点挖掘267

10.4.1 理论基础267

10.4.2 应用实例268

10.4.3 优点与缺点270

10.5 基于聚类的离群点挖掘270

10.5.1 理论基础270

10.5.2 应用实例271

10.5.3 优点与缺点273

10.6 应用实例：离群点诊断量化择时273

10.7 延伸阅读：新兴的离群点挖掘方法275

10.7.1 基于关联的离群点挖掘[7]275

10.7.2 基于粗糙集的离群点挖掘276

10.7.3 基于人工神经网络的离群点挖掘276

10.8 本章小结277

参考文献277

第11章 时间序列方法279

11.1 时间序列的基本概念279

11.1.1 时间序列的定义279

11.1.2 时间序列的组成因素280

11.1.3 时间序列的分类281

11.1.4 时间序列分析方法282

11.2 平稳时间序列分析方法283

11.2.1 移动平均法283

11.2.2 指数平滑法284

11.3 季节指数预测法285

11.3.1 季节性水平模型285

11.3.2 季节性趋势模型286

11.4 时间序列模型286

11.4.1 ARMA模型286

11.4.2 ARIMA模型287

11.4.3 ARCH模型288

11.4.4 GARCH模型289

11.5 应用实例：基于时间序列的股票预测289

11.6 本章小结293

参考文献293

第12章 智能优化方法294

12.1 智能优化方法概要295

12.1.1 智能优化方法的概念295

12.1.2 在量化投资中的作用295

12.1.3 常用的智能优化方法295

12.2 遗传算法297

12.2.1 遗传算法的原理297

12.2.2 遗传算法的步骤298

12.2.3 遗传算法实例306

12.2.4 遗传算法的特点307

12.3 模拟退火算法309

12.3.1 模拟退火算法的原理309

12.3.2 模拟退火算法步骤310

12.3.3 模拟退火算法实例313

12.3.4 模拟退火算法的特点319

12.4 应用实例：组合投资优化320

12.4.1 问题描述320

12.4.2 求解过程320

12.5 延伸阅读：其他智能方法321

12.5.1 粒子群算法321

12.5.2 蚁群算法323

12.6 本章小结325

参考文献325

第三篇 实践篇327

第13章 统计套利策略的挖掘与优化327

13.1 统计套利策略概述327

13.1.1 统计套利的定义327

13.1.2 统计套利策略的基本思想327

13.1.3 统计套利策略挖掘的方法328

13.2 基本策略的挖掘329

13.2.1 准备数据329

13.2.2 探索交易策略329

13.2.3 验证交易策略330

13.2.4 选择最佳的参数331

13.2.5 参数扫描法334

13.2.6 考虑交易费335

13.3 高频交易策略及优化337

13.3.1 高频交易的基本思想337

13.3.2 高频交易的实现339

13.4 多交易信号策略的组合及优化341

13.4.1 多交易信号策略341

13.4.2 交易信号的组合优化机理343

13.4.3 交易信号的组合优化实现344

13.5 本章小结347

参考文献348

第14章 配对交易策略的挖掘与实现349

14.1 配对交易概述350

14.1.1 配对交易的定义350

14.1.2 配对交易的特点350

14.1.3 配对选取步骤351

14.2 协整检验的理论基础352

14.2.1 协整关系的定义352

14.2.2 EG两步协整检验法353

14.2.3 Johansen协整检验法353

14.3 配对交易的实现355

14.3.1 协整检验的实现355

14.3.2 配对交易函数356

14.3.3 协整配对中的参数优化359

14.4 延伸阅读：配对交易的三要素360

14.4.1 配对交易的前提360

14.4.2 配对交易的关键360

14.4.3 配对交易的假设360

14.5 本章小结361

参考文献361

第15章 数据挖掘在股票程序化交易中的综合应用362

15.1 程序化交易概述362

15.1.1 程序化交易的定义362

15.1.2 程序化交易的实现过程363

15.1.3 程序化交易的分类365

15.2 数据的处理及探索366

15.2.1 获取股票日交易数据366

15.2.2 计算指标369

15.2.3 数据标准化375

15.2.4 变量筛选377

15.3 模型的建立及评估379

15.3.1 股票预测的基本思想379

15.3.2 模型的训练及评价379

15.4 组合投资的优化381

15.4.1 组合投资的理论基础381

15.4.2 组合投资的实现385

15.5 程序化交易的实施389

15.6 本章小结389

参考文献390

第16章 基于数据挖掘技术的量化交易系统392

16.1 交易系统概述393

16.1.1 交易系统的定义393

16.1.2 交易系统的作用393

16.2 DM交易系统总体设计394

16.2.1 系统目标394

16.2.2 相关约定395

16.2.3 系统结构395

16.3 短期交易子系统396

16.3.1 子系统功能描述396

16.3.2 数据预处理模块396

16.3.3 量化选股模块397

16.3.4 策略回测模块397

16.4 中长期交易子系统398

16.4.1 子系统功能描述398

16.4.2 导入数据模块398

16.4.3 投资组合优化模块399

16.5 系统的拓展与展望401

16.6 本章小结401

参考文献402