目录

资源下载

第1章绪论

1.1软件的安装与功能

1.1.1软件的下载与安装

1.1.2软件的界面与功能

1.2机器学习算法介绍

习题

第2章Python编程基础及数据处理

2.1Python基础语法

2.1.1数据类型

2.1.2数据类型操作

2.1.3Python函数

2.2数据处理常用的库

2.2.1数据分析

2.2.2相关库

习题

第3章数据可视化

3.1绘图基础语法

3.1.1单一画布作图

3.1.2多画布作图

3.1.3图像的保存和导出

3.2主要图形的绘制

3.2.1折线图

3.2.2散点图

3.2.3条形图

3.2.4箱线图

3.2.5饼图

3.2.6K线图

3.2.7雷达图

3.2.8热力图

3.2.9属性两两分析图

3.2.10气泡图

3.2.11小提琴图和分簇散点图

习题

量化金融原理与实践(微课视频版)

目录

第4章数据表格的处理与数据清洗

4.1xlwings及其相关算法

4.1.1第三方库xlwings

4.1.2xlwings与Pandas的实现

4.2统计分析与可视化

4.2.1统计分析

4.2.2可视化

4.3数据清洗

4.3.1空缺值、重复值、异常值

4.3.2数据归一化

4.4特征工程

4.4.1属性的选择

4.4.2属性值的优化

习题

第5章特征工程

5.1过滤法

5.1.1单变量

5.1.2多变量

5.1.3过滤法总结

5.2包裹法

5.2.1完全搜索 

5.2.2启发式搜索

5.2.3随机搜索

5.3嵌入法

5.3.1原理

5.3.2应用

5.3.3重要函数介绍

习题

第6章聚类

6.1聚类的概念及应用

6.1.1聚类的概念

6.1.2聚类的应用领域

6.2聚类算法的相关原理

6.2.1Kmeans聚类

6.2.2层次聚类

6.3K值优化与聚类评价指标

6.3.1K值优化

6.3.2聚类评价指标

6.4在消费者行为分析中的应用

习题

第7章主成分分析

7.1主成分分析及步骤简介

7.1.1主成分分析原理

7.1.2主成分分析流程

7.1.3相关检验

7.2重要函数介绍

7.3在车贷违约预测中的应用

7.3.1数据准备

7.3.2统计分析

7.3.3数据清洗

7.3.4Bartlett球状检验

7.3.5KMO检验

7.3.6数据标准化

7.3.7PCA解释方差和累计贡献可视化

7.3.8主成分载荷矩阵和可视化

习题

第8章线性模型

8.1模型原理

8.1.1OLS线性回归

8.1.2逻辑回归

8.1.3岭回归

8.1.4混淆矩阵

8.2相关金融原理

8.3样本构建

8.4模型应用

8.4.1构建OLS线性模型

8.4.2构建岭回归模型

8.4.3构建逻辑回归模型

8.5模型的改进

习题

第9章支持向量机

9.1支持向量机的原理

9.1.1支持向量机的数学原理

9.1.2支持向量机的实现——以SVC为例

9.2数据离散

9.2.1等频率离散化

9.2.2聚类离散化

9.2.3基于信息熵的离散化方法

9.3相关金融原理

9.4在保险反欺诈案例中的应用

9.4.1背景介绍

9.4.2读取数据

9.4.3数据清洗与样本构建

习题

第10章决策树及随机森林

10.1决策树及相关概念

10.1.1决策树

10.1.2决策树构建的相关细节

10.1.3决策树算法流程

10.1.4字典数据类型的重要方法

10.1.5其他相关重要函数

10.2随机森林及相关概念

10.2.1随机森林

10.2.2随机森林算法原理和具体流程

10.3在银行客户营销中的应用

10.3.1样本数据

10.3.2建模流程

10.4应用随机森林分析银行客户营销数据

10.4.1随机森林决策边界图

10.4.2随机森林建模

10.4.3特征重要性排序

10.4.4模型的预测

10.4.5模型评估

习题

第11章神经网络

11.1模型原理

11.1.1图解神经网络模型原理

11.1.2模型应用的数学原理

11.1.3激活函数

11.1.4数组整形函数

11.2在股票预测中的应用

11.2.1MLP解决以涨跌为标签的分类问题

11.2.2CNN解决以涨跌为标签的分类问题

11.2.3LSTM解决以涨跌为标签的分类问题

11.2.4MLP解决以收盘价为预测值的回归问题

11.2.5CNN解决以收盘价为预测值的回归问题 

11.2.6LSTM解决以收盘价为预测值的回归问题

习题

参考文献