《MATLAB金融算法分析实战：基于机器学习的股票量化分析》配套内容

本书全面而系统的讲解了MATLAB 金融算法设计应用，详解金融数据挖掘中趋向和发趋势指标，并结合具体的机器学习算法分析，深入的让读者学习和掌握MATLAB金融数据机器学习算法。本书注重实战，通过大量的案例，以帮助读者更好地学习本书内容。

本书共分15章。主要内容有：MATLAB入门与提高、MATLAB高级应用、时间序列数据处理、量化投资趋向指标、量化投资反趋向指标、BP神经网络上证指数预测、 BP神经网络多指标预测、RBF神经网络多指标预测、Hopfield神经网络多指标预测、马尔科夫Markov上证指数预测、灰色理论下的上证指数预测、指数平滑下的上证指数预测、支持向量机SVM下的涨跌预测、贝叶斯网络Bayes多指标预测、Pareto多目标优化分析。

本书适合所有想全面学习MATALB 金融分析设计人员阅读，也适合各种使用MATALB进行开发的工程技术人员使用。对于各高校师生解决工程问题、进行课堂教学等等，是一本不可或缺的必备参考书；本书也适合MATLAB爱好者，本书结合网络实际，针对网上讨论的大部分疑难问题，本书均有涉及到。

封面图

目录

• 前言
• 在线交流，有问有答
• 第1篇MATLAB常用算法应用设计
• 第1章MATLAB入门与提高 2
• 1.1矩阵运算 4
• 1.2放大局部视图 6
• 1.3Monte Carlo方法 7
• 1.4金融工具箱绘图函数的使用 9
• 1.4.1bolling（布林线）函数 10
• 1.4.2highlow（高低价）函数 13
• 1.4.3candle（阴阳烛图）函数 16
• 1.4.4kagi（折线图）函数 21
• 1.4.5renko（砖形图）函数 22
• 1.4.6movavg（移动平均图）函数 23
• 1.4.7priceandvol（成交量图）函数 27
• 1.4.8pointfig（涨跌点图）函数 28
• 1.4.9volarea（成交量面积图）函数 30
• 第2章MATLAB高级应用 32
• 2.1正余弦函数计算 32
• 2.2pcode加密 32
• 2.3基本GUI设计 33
• 2.4GUI的优化布局 41
• 2.5日期格式函数 43
• 2.6日期转化函数 45
• 2.7创建一个金融时间数据序列 47
• 2.8股票技术分析图函数使用 49
• 第3章时间序列数据处理 55
• 3.1平均绝对离差 55
• 3.2序列最大值 57
• 3.3序列最小值 60
• 3.4简单移动平均值 62
• 3.5动态移动平均值 65
• 3.6指数平滑移动平均值 67
• 3.7指数移动平均值 69
• 第4章量化投资趋向指标 73
• 4.1升降线指标 73
• 4.2动力指标 76
• 4.3变动速率线指标 77
• 4.4瀑布线指标 79
• 4.5上升动向指标 81
• 4.6下降动向指标 83
• 4.7动向平均数指标 85
• 4.8多空指数指标 88
• 4.9佳庆指标 90
• 4.10市场趋势指标 92
• 4.11方向标准离差指数指标 94
• 4.12平均线差 97
• 4.13趋向指标 98
• 4.14简易波动指标 102
• 4.15鬼道线指标 104
• 4.16绝路航标指标 106
• 4.17加速线指标 109
• 4.18平滑异同平均指标 111
• 4.19快速异同平均指标 113
• 4.20强弱值指标 115
• 4.21三重指数平滑平均线指标 117
• 4.22终极指标 119
• 4.23变异平均线指标 122
• 第5章量化投资反趋向指标 124
• 5.1幅度涨速指标 124
• 5.2动态买卖人气指标 126
• 5.3布林极限指标 128
• 5.4乖离率指标 131
• 5.5异同离差乖离率指标 133
• 5.6顺势指标 135
• 5.7市场能量指标 137
• 5.8多空线指标 139
• 5.9区间震荡线指标 141
• 5.10分水岭指标 142
• 5.11随机指标 144
• 5.12威廉指标 148
• 5.13L威廉指标 150
• 5.14变动速率指标 152
• 5.15相对强弱指标 153
• 5.16慢速随机指标 156
• 5.17摆动指标 159
• 5.18动向速度比率指标 162
• 5.19引力线指标 164
• 5.20布林极限宽度指标 166
• 第2篇MATLAB机器学习算法应用设计
• 第6章BP神经网络工具箱上证指数预测 170
• 6.1BP神经网络模型及其基本原理 170
• 6.2MATLAB BP神经网络工具箱 171
• 6.3BP神经网络执行流程 173
• 6.4基于BP网络的上证指数预测 174
• 6.5改进分析 178
• 第7章BP神经网络工具箱多指标预测 186
• 7.1BP神经网络 186
• 7.2多指标选取 187
• 7.3基于趋势指标的BP网络预测 195
• 7.4基于反趋势指标的BP网络预测 204
• 7.5基于趋势和反趋势指标的BP网络预测 211
• 第8章RBF神经网络多指标预测 216
• 8.1RBF神经网络 216
• 8.2RBF网络结构 216
• 8.3多指标选取 219
• 8.4基于趋势指标的RBF网络预测 220
• 8.5基于反趋势指标的RBF网络预测 224
• 8.6基于趋势和反趋势指标的RBF网络预测 228
• 第9章Hopfield神经网络多指标预测 232
• 9.1Hopfield神经网络 232
• 9.2多指标选取 234
• 9.3基于趋势指标的Hopfield网络预测 234
• 9.4基于反趋势指标的Hopfield网络预测 237
• 9.5基于趋势和反趋势指标的Hopfield网络预测 239
• 第10章马尔可夫（Markov）链上证指数预测 242
• 10.1马尔可夫链模型 242
• 10.2马尔可夫链模型流程 242
• 10.3马尔可夫链预测 243
• 10.4隐马尔可夫模型函数表 253
• 第11章灰色理论下的上证指数预测 254
• 11.1灰色理论分析 254
• 11.2灰色关联分析流程 254
• 11.3多指标灰色关联度计算 255
• 11.4灰色预测模型流程 259
• 11.5ACCER幅度涨速指标灰色预测 260
• 第12章指数平滑下的上证指数预测 263
• 12.1指数平滑分析 263
• 12.1.1一次指数平滑预测法 263
• 12.1.2二次指数平滑预测法 264
• 12.1.3三次指数平滑预测法 264
• 12.2指数平滑仿真 265
• 12.2.1一次指数平滑 265
• 12.2.2二次指数平滑 268
• 12.2.3三次指数平滑 270
• 第13章支持向量机SVM下的涨跌预测 274
• 13.1Logistic回归 274
• 13.2Regularization正则化方程 275
• 13.3支持向量机SVM算法 275
• 13.4MATLAB优化工具箱 277
• 13.4.1线性规划问题 278
• 13.4.2非线性规划问题 279
• 13.4.3二次规划问题 280
• 13.4.4线性最小二乘 282
• 13.4.5非线性曲线拟合 283
• 13.4.6非线性最小二乘 284
• 13.5SVM下的上证指数涨跌预测 285
• 13.6PSO优化的SVM多分类预测 297
• 第14章贝叶斯（Bayes）网络多指标预测 305
• 14.1贝叶斯统计方法 305
• 14.2贝叶斯预测方法 307
• 14.3贝叶斯网络的数据预测 307
• 14.4贝叶斯网络下的价格指数建模与预测 317
• 14.4.1读入采集到的数据 318
• 14.4.2建立贝叶斯网络 319
• 14.4.3对构建的贝叶斯网络进行参数学习 319
• 14.4.4条件概率分析 321
• 第15章Pareto多目标优化分析 325
• 15.1经典测试函数 325
• 15.2遗传算法优化的单目标模型 330
• 15.3Pareto多目标求解GUI设计 336
• 参考文献 353