Python 金融大數據分析 (Python for Finance)
[德]伊夫·希爾皮斯科(Yves Hilpisch)
- 出版商: 人民郵電
- 出版日期: 2015-12-01
- 定價: $594
- 售價: 8.5 折 $505
- 語言: 簡體中文
- 頁數: 511
- 裝訂: 平裝
- ISBN: 7115404453
- ISBN-13: 9787115404459
-
相關分類:
Python、程式語言、Data Science
- 此書翻譯自: Python for Finance (Paperback) 銷售排行: 🥉 2016/6 簡體中文書 銷售排行 第 3 名
已絕版
買這商品的人也買了...
-
$580$452 -
$250Python 數據分析基礎教程-NumPy 學習指南, 2/e (NumPy Beginner's Guide, 2/e)
-
$780$616 -
$780$616 -
$360$284 -
$400$316 -
$980$774 -
$352Python 資料分析與挖掘實戰
-
$474$450 -
$250鳳凰計畫:一個 IT計畫的傳奇故事 (The Phoenix Project : A Novel about IT, DevOps, and Helping your business win)(沙盤特別版)
-
$580$458 -
$680$537 -
$560$437 -
$420$332 -
$580$452 -
$580$458 -
$580$458 -
$590$502 -
$500$395 -
$360$180 -
$580$458 -
$680$537 -
$590$460 -
$390$308 -
$650$507
相關主題
商品描述
Python憑借其簡單、易讀、可擴展性以及擁有巨大而活躍的科學計算社區,在需要分析、處理大量數據的金融行業得到了廣泛而迅速的應用,並且成為該行業開發核心應用的編程語言。
《Python金融大數據分析》提供了使用Python進行數據分析,以及開發相關應用程序的技巧和工具。
《Python金融大數據分析》總計分為3部分,共19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部分介紹了金融分析和應用程序開發中重要的Python庫、技術和方法,其內容涵蓋了Python的數據類型和結構、用matplotlib進行數據可視化、金融時間序列數據處理、高性能輸入/輸出操作、高性能的Python技術和庫、金融學中需要的多種數學工具、隨機數生成和隨機過程模擬、Python統計學應用、Python和Excel的集成、Python面向對象編程和GUI的開發、Python與Web技術的集成,以及基於Web應用和Web服務的開發;第3部分關注的是蒙特卡洛模擬期權與衍生品定價實際應用的開發工作,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、波動率期權等知識。
《Python金融大數據分析》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人員閱讀。
伊夫•希爾皮斯科(Yves Hilpisch)是Python Quants(德國)股份有限公司的創始人和任事股東,也是Python Quants(紐約)有限責任公司的共同創辦人。該集團提供基於Python的金融和衍生品分析軟件(參見 http://pythonquants.com,http://quant-platfrom.com和http://dx- analytics.com),以及和Python及金融相關的咨詢、開發和培訓服務。
Yves還是Derivatives Analytics with Python(Wiley Finance,2015)的作者。作為獲得數理金融學博士學位的商業管理專業研究生,他在薩爾州大學講授計算金融學中的數值化方法課程。
目錄大綱
第1部分 Python與金融
第1章 為什麼將Python用於金融 3
1.1 Python是什麼 3
1.1.1 Python簡史 5
1.1.2 Python生態系統 5
1.1.3 Python用戶譜系 7
1.1.4 科學棧 7
1.2 金融中的科技 8
1.2.1 科技開銷 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才 9
1.2.4 不斷提高的速度、頻率、數據量 10
1.2.5 實時分析的興起 11
1.3 用於金融的Python 12
1.3.1 金融和Python語法 12
1.3.2 Python的效率和生產率 15
1.3.3 從原型化到生產 19
1.4 結語 20
1.5 延伸閱讀 20
第2章 基礎架構和工具 21
2.1 Python部署 22
2.1.1 Anaconda 22
2.1.2 Python Quant Platform 27
2.1.3 工具 30
2.1.4 Python 30
2.1.5 IPython 30
2.1.6 Spyder 40
2.2 結語 42
2.3 延伸閱讀 43
第3章 入門示例 45
3.1 隱含波動率 46
3.2 蒙特卡洛模擬 54
3.2.1 純Python 56
3.2.2 用NumPy向量化 57
3.2.3 利用對數歐拉方法實現全向量化 59
3.2.4 圖形化分析 60
3.2.5 技術分析 62
3.3 結語 67
3.4 延伸閱讀 68
第2部分 金融分析和開發
第4章 數據類型和結構 71
4.1 基本數據類型 72
4.1.1 整數 72
4.1.2 浮點數 73
4.1.3 字符串 75
4.2 基本數據結構 77
4.2.1 元組 77
4.2.2 列表 78
4.2.3 離題:控制結構 80
4.2.4 離題:函數式編程 81
4.2.5 字典 82
4.2.6 集合 84
4.3 NumPy數據結構 85
4.3.1 用Python列表形成數組 85
4.3.2 常規NumPy數組 87
4.3.3 結構數組 90
4.4 代碼向量化 91
4.5 內存布局 93
4.6 結語 95
4.7 延伸閱讀 95
第5章 數據可視化 97
5.1 二維繪圖 97
5.1.1 一維數據集 98
5.1.2 二維數據集 103
5.1.3 其他繪圖樣式 109
5.2 金融學圖表 116
5.3 3D繪圖 119
5.4 結語 122
5.5 延伸閱讀 122
第6章 金融時間序列 123
6.1 pandas基礎 124
6.1.1 使用DataFrame類的第一步 124
6.1.2 使用DataFrame類的第二步 127
6.1.3 基本分析 131
6.1.4 Series類 134
6.1.5 GroupBy操作 135
6.2 金融數據 136
6.3 回歸分析 142
6.4 高頻數據 150
6.5 結語 154
6.6 延伸閱讀 154
第7章 輸入/輸出操作 155
7.1 Python基本I/O 156
7.1.1 將對象寫入磁盤 156
7.1.2 讀寫文本文件 159
7.1.3 SQL數據庫 160
7.1.4 讀寫NumPy數組 162
7.2 Pandas的I/O 164
7.2.1 SQL數據庫 165
7.2.2 從SQL到pandas 166
7.2.3 CSV文件數據 168
7.2.4 Excel文件數據 169
7.3 PyTables的快速I/O 170
7.3.1 使用表 170
7.3.2 使用壓縮表 175
7.3.3 使用數組 176
7.3.4 內存外計算 177
7.4 結語 179
7.5 延伸閱讀 180
第8章 高性能的Python 181
8.1 Python范型與性能 182
8.2 內存布局與性能 184
8.3 並行計算 186
8.3.1 蒙特卡洛算法 186
8.3.2 順序化計算 187
8.3.3 並行計算 188
8.3.4 性能比較 191
8.4 多處理 191
8.5 動態編譯 193
8.5.1 介紹性示例 193
8.5.2 二項式期權定價方法 195
8.6 用Cython進行靜態編譯 199
8.7 在GPU上生成隨機數 201
8.8 結語 205
8.9 延伸閱讀 205
第9章 數學工具 207
9.1 逼近法 208
9.1.1 回歸 208
9.1.2 插值 218
9.2 凸優化 221
9.2.1 全局優化 222
9.2.2 局部優化 223
9.2.3 有約束優化 224
9.3 積分 226
9.3.1 數值積分 228
9.3.2 通過模擬求取積分 228
9.4 符號計算 229
9.4.1 基本知識 229
9.4.2 方程式 230
9.4.3 積分 231
9.4.4 微分 232
9.5 結語 233
9.6 延伸閱讀 233
第10章 推斷統計學 235
10.1 隨機數 236
10.2 模擬 241
10.2.1 隨機變量 241
10.2.2 隨機過程 244
10.2.3 方差縮減 256
10.3 估值 259
10.3.1 歐式期權 259
10.3.2 美式期權 263
10.4 風險測度 266
10.4.1 風險價值 266
10.4.2 信用價值調整 270
10.5 結語 272
10.6 延伸閱讀 273
第11章 統計學 275
11.1 正態性檢驗 276
11.1.1 基准案例 277
11.1.2 現實世界的數據 284
11.2 投資組合優化 289
11.2.1 數據 290
11.2.2 基本理論 291
11.2.3 投資組合優化 294
11.2.4 有效邊界 296
11.2.5 資本市場線 297
11.3 主成分分析 300
11.3.1 DAX指數和30種成分股 301
11.3.2 應用PCA 301
11.3.3 構造PCA指數 302
11.4 貝葉斯回歸 305
11.4.1 貝葉斯公式 305
11.4.2 PyMC3 306
11.4.3 介紹性示例 307
11.4.4 真實數據 310
11.5 結語 318
11.6 延伸閱讀 318
第12章 Excel集成 321
12.1 基本電子表格交互 322
12.1.1 生成工作簿(.xls) 323
12.1.2 生成工作簿(.xslx) 324
12.1.3 從工作簿中讀取 326
12.1.4 使用OpenPyxl 328
12.1.5 使用pandas讀寫 329
12.2 用Python編寫Excel腳本 332
12.2.1 安裝DataNitro 333
12.2.2 使用DataNitro 333
12.3 xlwings 342
12.4 結語 342
12.5 延伸閱讀 343
第13章 面向對象和圖形用戶界面 345
13.1 面向對象 345
13.1.1 Python類基礎知識 346
13.1.2 簡單的短期利率類 350
13.1.3 現金流序列類 354
13.2 圖形用戶界面 356
13.2.1 帶GUI的短期利率類 356
13.2.2 值的更新 358
13.2.3 帶GUI的現金流序列類 360
13.3 結語 362
13.4 延伸閱讀 362
第14章 Web集成 365
14.1 Web基礎知識 366
14.1.1 ftplib 366
14.1.2 httplib 368
14.1.3 urllib 369
14.2 Web圖表繪制 372
14.2.1 靜態圖表繪制 372
14.2.2 交互式圖表繪制 374
14.2.3 實時圖表繪制 375
14.3 快速Web應用 383
14.3.1 交易者的聊天室 384
14.3.2 數據建模 384
14.3.3 Python代碼 385
14.3.4 模板 391
14.3.5 樣式化 396
14.4 Web服務 397
14.4.1 金融模型 399
14.4.2 實現 400
14.5 結語 406
14.6 延伸閱讀 406
第3部分 衍生品分析庫
第15章 估值框架 409
15.1 資產定價基本定理 409
15.1.1 簡單示例 409
15.1.2 一般結果 410
15.2 風險中立折現 412
15.2.1 日期建模和處理 412
15.2.2 固定短期利率 413
15.3 市場環境 415
15.4 結語 418
15.5 延伸閱讀 419
第16章 金融模型的模擬 421
16.1 隨機數生成 422
16.2 泛型模擬類 423
16.3 幾何布朗運動 427
16.3.1 模擬類 427
16.3.2 用例 429
16.4 跳躍擴散 431
16.4.1 模擬類 431
16.4.2 用例 434
16.5 平方根擴散 435
16.5.1 模擬類 435
16.5.2 用例 437
16.6 結語 438
16.7 延伸閱讀 440
第17章 衍生品估值 441
17.1 泛型估值類 441
17.2 歐式行權 445
17.3 估值類 445
17.4 美式行權 451
17.4.1 最小二乘蒙特卡洛方法 451
17.4.2 估值類 453
17.4.3 用例 454
17.5 結語 457
17.6 延伸閱讀 458
第18章 投資組合估值 459
18.1 衍生品頭寸 460
18.1.1 類 460
18.1.2 用例 462
18.2 衍生品投資組合 463
18.2.1 類 463
18.2.2 用例 467
18.3 結語 472
18.4 延伸閱讀 474
第19章 波動率期權 475
19.1 VSTOXX數據 476
19.1.1 VSTOXX指數數據 476
19.1.2 VSTOXX期貨數據 477
19.1.3 VSTOXX期權數據 479
19.2 模型檢驗 480
19.2.1 相關市場數據 480
19.2.2 期權建模 481
19.2.3 檢驗過程 483
19.3 基於VSTOXX的美式期權 487
19.3.1 期權頭寸建模 487
19.3.2 期權投資組合 488
19.4 結語 489
19.5 延伸閱讀 490
附錄A 精選的最佳實踐 491
附錄B 看漲期權類 499
附錄C 日期和時間 503