标签分类
当前位置:首页 > 程序设计电子书 > Python电子书网盘下载
Python金融大数据分析 Python金融大数据分析
41821186

41821186 提供上传

资源
21
粉丝
45
喜欢
185
评论
11

    Python金融大数据分析 PDF 全书超清版

    Python电子书
    • 发布时间:

    给大家带来的一篇关于Python相关的电子书资源,介绍了关于Python金融、大数据分析方面的内容,本书是由人民邮电出版社出版,格式为PDF,资源大小47.8 MB,希尔皮斯科编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.5,更多相关的学习资源可以参阅 程序设计电子书Python电子书、等栏目。

  • Python金融大数据分析 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1agSAqULulQ0d4_wflG8o3
  • 分享码:rsu6
  • Python金融大数据分析 PDF

    Python凭着其简易、易读、扩展性及其有着极大而活跃性的科学计算小区,在必须分析、解决很多统计数据的金融业获得了普遍而快速的运用,而且变成该制造行业开发设计关键运用的计算机语言。《Python金融大数据分析》出示了应用Python开展数据统计分析,及其开发设计有关手机应用程序的方法和小工具。

    Python金融大数据分析》累计分成3一部分,共19章,第1一部分详细介绍了Python在金融学中的运用,其内容包括了Python用以金融业的缘故、Python的系统架构和小工具,及其Python在计量检定金融学中的某些实际新手入门案例;第2一部分详细介绍了金融业分析和应用开发中关键的Python库、技术性和方式,其内容包括了Python的数据类型和构造、用matplotlib开展大数据可视化、金融业时间序列数据处理方法、性能键入/輸出实际操作、性能的Python技术性和库、金融学中必须的多种多样数学工具、*数转化成和*全过程仿真模拟、Python生物学运用、Python和Excel的集成化、Python面向对象编程和GUI的开发设计、Python与Web技术性的集成化,及其应用场景Web运用和Web服务项目的开发设计;第3一部分关心的是蒙特卡洛模拟股指期货与衍生产品标价具体运用的开发设计工作中,其内容包括了公司估值架构的详细介绍、金融业实体模型的仿真模拟、衍生产品的公司估值、资产配置的公司估值、波动率股指期货等专业知识。

    《Python金融大数据分析》合适对应用Python开展数据分析、解决喜欢的金融业开发者阅读文章。

    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是什么        3
    • 1.1.1 Python简史         5
    • 1.1.2 Python生态系统         5
    • 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 科技开销    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    9
    • 1.2.4 不断提高的速度、频率、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    15
    • 1.3.3 从原型化到生产         19
    • 1.4  结语        20
    • 1.5  延伸阅读        20
    • 第2章  基础架构和工具     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  结语        42
    • 2.3  延伸阅读        43
    • 第3章  入门示例 45
    • 3.1  隐含波动率   46
    • 3.2  蒙特卡洛模拟        54
    • 3.2.1 纯Python    56
    • 3.2.2 用NumPy向量化        57
    • 3.2.3 利用对数欧拉方法实现全向量化    59
    • 3.2.4 图形化分析         60
    • 3.2.5 技术分析    62
    • 3.3  结语        67
    • 3.4  延伸阅读        68
    • 第2部分  金融分析和开发
    • 第4章  数据类型和结构     71
    • 4.1  基本数据类型        72
    • 4.1.1 整数    72
    • 4.1.2 浮点数         73
    • 4.1.3 字符串         75
    • 4.2  基本数据结构        77
    • 4.2.1 元组    77
    • 4.2.2 列表    78
    • 4.2.3 离题:控制结构         80
    • 4.2.4 离题:函数式编程    81
    • 4.2.5 字典    82
    • 4.2.6 集合    84
    • 4.3 NumPy数据结构   85
    • 4.3.1 用Python列表形成数组   85
    • 4.3.2 常规NumPy数组        87
    • 4.3.3 结构数组    90
    • 4.4  代码向量化   91
    • 4.5  内存布局        93
    • 4.6  结语        95
    • 4.7  延伸阅读        95
    • 第5章  数据可视化     97
    • 5.1  二维绘图        97
    • 5.1.1 一维数据集         98
    • 5.1.2 二维数据集         103
    • 5.1.3 其他绘图样式    109
    • 5.2  金融学图表   116
    • 5.3 3D绘图  119
    • 5.4  结语        122
    • 5.5  延伸阅读        122
    • 第6章  金融时间序列 123
    • 6.1 pandas基础   124
    • 6.1.1 使用DataFrame类的第一步    124
    • 6.1.2 使用DataFrame类的第二步    127
    • 6.1.3 基本分析    131
    • 6.1.4 Series类      134
    • 6.1.5 GroupBy操作      135
    • 6.2  金融数据        136
    • 6.3  回归分析        142
    • 6.4  高频数据        150
    • 6.5  结语        154
    • 6.6  延伸阅读        154
    • 第7章  输入/输出操作        155
    • 7.1 Python基本I/O      156
    • 7.1.1 将对象写入磁盘         156
    • 7.1.2 读写文本文件    159
    • 7.1.3 SQL数据库 160
    • 7.1.4 读写NumPy数组        162
    • 7.2 Pandas的I/O 164
    • 7.2.1 SQL数据库 165
    • 7.2.2 从SQL到pandas         166
    • 7.2.3 CSV文件数据     168
    • 7.2.4 Excel文件数据   169
    • 7.3 PyTables的快速I/O       170
    • 7.3.1 使用表         170
    • 7.3.2 使用压缩表         175
    • 7.3.3 使用数组    176
    • 7.3.4 内存外计算         177
    • 7.4  结语        179
    • 7.5  延伸阅读        180
    • 第8章  高性能的Python     181
    • 8.1 Python范型与性能        182
    • 8.2  内存布局与性能   184
    • 8.3  并行计算        186
    • 8.3.1 蒙特卡洛算法    186
    • 8.3.2 顺序化计算         187
    • 8.3.3 并行计算    188
    • 8.3.4 性能比较    191
    • 8.4  多处理   191
    • 8.5  动态编译        193
    • 8.5.1 介绍性示例         193
    • 8.5.2 二项式期权定价方法         195
    • 8.6  用Cython进行静态编译       199
    • 8.7  在GPU上生成随机数  201
    • 8.8  结语        205
    • 8.9  延伸阅读        205
    • 第9章  数学工具 207
    • 9.1  逼近法   208
    • 9.1.1 回归    208
    • 9.1.2 插值    218
    • 9.2  凸优化   221
    • 9.2.1 全局优化    222
    • 9.2.2 局部优化    223
    • 9.2.3 有约束优化         224
    • 9.3  积分        226
    • 9.3.1 数值积分    228
    • 9.3.2 通过模拟求取积分    228
    • 9.4  符号计算        229
    • 9.4.1 基本知识    229
    • 9.4.2 方程式         230
    • 9.4.3 积分    231
    • 9.4.4 微分    232
    • 9.5  结语        233
    • 9.6  延伸阅读        233
    • 第10章  推断统计学   235
    • 10.1 随机数 236
    • 10.2 模拟      241
    • 10.2.1 随机变量  241
    • 10.2.2 随机过程  244
    • 10.2.3 方差缩减  256
    • 10.3 估值      259
    • 10.3.1 欧式期权  259
    • 10.3.2 美式期权  263
    • 10.4 风险测度      266
    • 10.4.1 风险价值  266
    • 10.4.2 信用价值调整  270
    • 10.5 结语      272
    • 10.6 延伸阅读      273
    • 第11章  统计学   275
    • 11.1 正态性检验 276
    • 11.1.1 基准案例  277
    • 11.1.2 现实世界的数据       284
    • 11.2 投资组合优化      289
    • 11.2.1 数据  290
    • 11.2.2 基本理论  291
    • 11.2.3 投资组合优化  294
    • 11.2.4 有效边界  296
    • 11.2.5 资本市场线       297
    • 11.3 主成分分析 300
    • 11.3.1 DAX指数和30种成分股 301
    • 11.3.2 应用PCA   301
    • 11.3.3 构造PCA指数  302
    • 11.4 贝叶斯回归 305
    • 11.4.1 贝叶斯公式       305
    • 11.4.2 PyMC3       306
    • 11.4.3 介绍性示例       307
    • 11.4.4 真实数据  310
    • 11.5 结语      318
    • 11.6 延伸阅读      318
    • 第12章  Excel集成      321
    • 12.1 基本电子表格交互      322
    • 12.1.1 生成工作簿(.xls) 323
    • 12.1.2 生成工作簿(.xslx)        324
    • 12.1.3 从工作簿中读取       326
    • 12.1.4 使用OpenPyxl  328
    • 12.1.5 使用pandas读写     329
    • 12.2 用Python编写Excel脚本  332
    •  
    • 12.2.1 安装DataNitro 333
    • 12.2.2 使用DataNitro 333
    • 12.3 xlwings 342
    • 12.4 结语      342
    • 12.5 延伸阅读      343
    • 第13章  面向对象和图形用户界面   345
    • 13.1 面向对象      345
    • 13.1.1 Python类基础知识  346
    • 13.1.2 简单的短期利率类  350
    • 13.1.3 现金流序列类  354
    • 13.2 图形用户界面      356
    • 13.2.1 带GUI的短期利率类       356
    • 13.2.2 值的更新  358
    • 13.2.3 带GUI的现金流序列类  360
    • 13.3 结语      362
    • 13.4 延伸阅读      362
    • 第14章  Web集成       365
    • 14.1 Web基础知识      366
    • 14.1.1 ftplib  366
    • 14.1.2 httplib        368
    • 14.1.3 urllib  369
    • 14.2 Web图表绘制      372
    • 14.2.1 静态图表绘制  372
    • 14.2.2 交互式图表绘制       374
    • 14.2.3 实时图表绘制  375
    • 14.3 快速Web应用     383
    • 14.3.1 交易者的聊天室       384
    • 14.3.2 数据建模  384
    • 14.3.3 Python代码       385
    • 14.3.4 模板  391
    • 14.3.5 样式化       396
    • 14.4 Web服务      397
    • 14.4.1 金融模型  399
    • 14.4.2 实现  400
    • 14.5 结语      406
    • 14.6 延伸阅读      406
    • 第3部分  衍生品分析库
    • 第15章  估值框架       409
    • 15.1 资产定价基本定理      409
    • 15.1.1 简单示例  409
    • 15.1.2 一般结果  410
    • 15.2 风险中立折现      412
    • 15.2.1 日期建模和处理       412
    • 15.2.2 固定短期利率  413
    • 15.3 市场环境      415
    • 15.4 结语      418
    • 15.5 延伸阅读      419
    • 第16章  金融模型的模拟   421
    • 16.1 随机数生成 422
    • 16.2 泛型模拟类 423
    • 16.3 几何布朗运动      427
    • 16.3.1 模拟类       427
    • 16.3.2 用例  429
    • 16.4 跳跃扩散      431
    • 16.4.1 模拟类       431
    • 16.4.2 用例  434
    • 16.5 平方根扩散 435
    • 16.5.1 模拟类       435
    • 16.5.2 用例  437
    • 16.6 结语      438
    • 16.7 延伸阅读      440
    • 第17章  衍生品估值   441
    • 17.1 泛型估值类 441
    • 17.2 欧式行权      445
    • 17.3 估值类 445
    • 17.4 美式行权      451
    • 17.4.1 最小二乘蒙特卡洛方法  451
    • 17.4.2 估值类       453
    • 17.4.3 用例  454
    • 17.5 结语      457
    • 17.6 延伸阅读      458
    • 第18章  投资组合估值       459
    • 18.1 衍生品头寸 460
    • 18.1.1 类       460
    • 18.1.2 用例  462
    • 18.2 衍生品投资组合 463
    • 18.2.1 类       463
    • 18.2.2 用例  467
    • 18.3 结语      472
    • 18.4 延伸阅读      474
    • 第19章  波动率期权   475
    • 19.1 VSTOXX数据         476
    • 19.1.1 VSTOXX指数数据     476
    • 19.1.2 VSTOXX期货数据     477
    • 19.1.3 VSTOXX期权数据     479
    • 19.2 模型检验      480
    • 19.2.1 相关市场数据  480
    • 19.2.2 期权建模  481
    • 19.2.3 检验过程  483
    • 19.3 基于VSTOXX的美式期权   487
    • 19.3.1 期权头寸建模  487
    • 19.3.2 期权投资组合  488
    • 19.4 结语      489
    • 19.5 延伸阅读      490
    • 附录A  精选的最佳实践      491
    • 附录B  看涨期权类      499
    • 附录C  日期和时间      503

    上一篇:树莓派(Raspberry Pi)实战指南  下一篇:jQuery实战案例精粹

    展开 +

    收起 -

    Python 相关电子书
    关于Python的学习笔记
    网友NO.278912

    Python中大数据处理详解

    分享 知识要点: lubridate包拆解时间 | POSIXlt 利用决策树分类,利用随机森林预测 利用对数进行fit,和exp函数还原 训练集来自Kaggle华盛顿自行车共享计划中的自行车租赁数据,分析共享自行车与天气、时间等关系。数据集共11个变量,10000多行数据。 首先看一下官方给出的数据,一共两个表格,都是2011-2012年的数据,区别是Test文件是每个月的日期都是全的,但是没有注册用户和随意用户。而Train文件是每个月只有1-20天,但有两类用户的数量。 求解:补全Train文件里21-30号的用户数量。评价标准是预测与真实数量的比较。 1.png 首先加载文件和包 library(lubridate)library(randomForest)library(readr)setwd(E:)data-read_csv(train.csv)head(data) 这里我就遇到坑了,用r语言缺省的read.csv死活读不出来正确的文件格式,换成xlsx更惨,所有时间都变成43045这样的怪数字。本来之前试过as.Date可以正确转换,但这次因为有时分秒,就只能用时间戳,但结果也不行。 最后是下载了readr包,用read_csv语句,顺利解读。 因为test比train日期完整,但缺少用户数,所以要把train和test合并。 test$registered=0test$casual=0test$count=0data-rbind(train,test) 摘取时间:可以用时间戳,这里的时间比较简单,就是小时数,所以也可以直接截字符串。 data$hour1-substr(data$datetime,12,13)table(data$hour1) 统……

    网友NO.729406

    python金融大数据分析有用吗

    《Python金融大数据分析 》是人民邮电出版社2015年12月出版的中译图书,作者[德]伊夫·希尔皮斯科,译者姚军。 《Python金融大数据分析》,唯一一本详细讲解使用Python分析处理金融大数据的专业图书;金融应用开发领域从业人员必读。适合对使用Python进行大数据分析、处理感兴趣的金融行业开发人员阅读。 (推荐学习:Python视频教程) 内容介绍 Python凭借其简单、易读、可扩展性以及拥有巨大而活跃的科学计算社区,在需要分析、处理大量数据的金融行业得到了广泛而迅速的应用,并且成为该行业开发核心应用的首选编程语言。 《Python金融大数据分析》提供了使用Python进行数据分析,以及开发相关应用程序的技巧和工具。 《Python金融大数据分析》总计分为3部分,共19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部分介绍了金融分析和应用程序开发中最重要的Python库、技术和方法,其内容涵盖了Python的数据类型和结构、用matplotlib进行数据可视化、金融时间序列数据处理、高性能输入/输出操作、高性能的Python技术和库、金融学中需要的多种数学工具、随机数生成和随机过程模拟、Python统计学应用、Python和Ex……

    网友NO.372927

    Python实现的大数据分析操作系统日志功能示例

    本文实例讲述了Python实现的大数据分析操作系统日志功能。分享给大家供大家参考,具体如下: 一 代码 1、大文件切分 import osimport os.pathimport timedef FileSplit(sourceFile, targetFolder): if not os.path.isfile(sourceFile): print(sourceFile, ' does not exist.') return if not os.path.isdir(targetFolder): os.mkdir(targetFolder) tempData = [] number = 1000 fileNum = 1 linesRead = 0 with open(sourceFile, 'r') as srcFile: dataLine = srcFile.readline().strip() while dataLine: for i in range(number): tempData.append(dataLine) dataLine = srcFile.readline() if not dataLine: break desFile = os.path.join(targetFolder, sourceFile[0:-4] + str(fileNum) + '.txt') with open(desFile, 'a+') as f: f.writelines(tempData) tempData = [] fileNum = fileNum + 1if __name__ == '__main__': #sourceFile = input('Input the source file to split:') #targetFolder = input('Input the target folder you want to place the split files:') sourceFile = 'test.txt' targetFolder = 'test' FileSplit(sourceFile, targetFolder) 2、Mapper代码 import osimport reimport threadingimport timedef Map(sourceFile): if not os.path.exists(sourceFile): print(sourceFile, ' does not exist.') return pattern = re.compile(r'[0-9]{1,2}/[0-9]{1,2}/[0-9]{4}') result = {} with open(sourceFile, 'r') as srcFile: for dataLine in srcFile: r = pattern.findall(dataLine) if r: t = result.get(r[0], 0) t += 1 result[r[0]] = t desFile = sourceFile[0:-4] + '_map.txt' with open(desFile, 'a+') as fp: for k, v in……

    网友NO.411599

    python怎么做大数据分析

    数据获取:公开数据、Python爬虫 外部数据的获取方式主要有以下两种。(推荐学习:Python视频教程) 第一种是获取外部的公开数据集,一些科研机构、企业、政府会开放一些数据,你需要到特定的网站去下载这些数据。这些数据集通常比较完善、质量相对较高。 另一种获取外部数据的方式就是爬虫。 比如你可以通过爬虫获取招聘网站某一职位的招聘信息,爬取租房网站上某城市的租房信息,爬取豆瓣评分评分最高的电影列表,获取知乎点赞排行、网易云音乐评论排行列表。基于互联网爬取的数据,你可以对某个行业、某种人群进行分析。 在爬虫之前你需要先了解一些 Python 的基础知识:元素(列表、字典、元组等)、变量、循环、函数……… 以及,如何用 Python 库(urllib、BeautifulSoup、requests、scrapy)实现网页爬虫。 掌握基础的爬虫之后,你还需要一些高级技巧,比如正则表达式、使用cookie信息、模拟用户登录、抓包分析、搭建代理池等等,来应对不同网站的反爬虫限制。 数据存取:SQL语言 在应对万以内的数据的时候,Excel对于一般的分析没有问题,一旦数据量大,就会力不从心,数据库就能够很好地解决这个问题。而且大多数的企业,都会以SQL的形式来存储数据。 SQL作为最经典的数据库工具,为海量数据的存储与管……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明