✍ Scribed by 何海群
No coin nor oath required. For personal study only.
《零起点Python大数据与量化交易》是国内较早关于Python大数据与量化交易的原创图书，配合zwPython开发平台和zwQuant开源量化软件学习，是一套完整的大数据分析、量化交易的学习教材，可直接用于实盘交易。《零起点Python大数据与量化交易》有三大特色：第一，以实盘个案分析为主，全程配有Python代码；第二，包含大量的图文案例和Python源码，无须专业编程基础，懂Excel即可开始学习；第三，配有专业的zwPython集成开发平台、zwQuant量化软件和zwDat数据包。
《零起点Python大数据与量化交易》内容源自笔者的原版教学课件，虽然限于篇幅和载体，省略了视频和部分环节，但核心内容都有保留，配套的近百套Python教学程序没有进行任何删减。考虑到广大入门读者的需求，笔者在各个核心函数环节增添了函数流程图。
扉页
版权页
丛书编委会
前言
目录
第1章 从故事开始学量化
1.1 亿万富翁的“神奇公式”
1.1.1 案例1-1：亿万富翁的“神奇公式”
1.1.2 案例分析：Python 图表
1.1.3 matplotlib 绘图模块库
1.1.4 案例分析：style 绘图风格
1.1.5 案例分析：colormap 颜色表
1.1.6 案例分析：颜色表关键词
1.1.7 深入浅出
1.2 股市“一月效应”
1.2.1 案例1-2：股市“一月效应”
1.2.2 案例分析：“一月效应”计算
1.2.3 案例分析：“一月效应”图表分析
1.2.4 案例分析：颜色表效果图
1.2.5 “一月效应”全文注解版Python 源码
1.2.6 大数据·宏分析
1.3 量化交易流程与概念
1.3.1 数据分析I2O 流程
1.3.2 量化交易不是高频交易、自动交易
1.3.3 小资、小白、韭菜
1.3.4 专业与业余
1.4 用户运行环境配置
1.4.1 程序目录结构
1.4.2 金融股票数据包
1.5 Python实战操作技巧
1.5.1 模块检测
1.5.2 Spyder 编辑器界面设置
1.5.3 代码配色技巧
1.5.4 图像显示配置
1.5.5 Python2、Python 3 双版本双开模式
1.5.6 单版本双开、多开模式
1.5.7 实战胜于一切
1.6 量化、中医与西医
第2章 常用量化技术指标与框架
2.1 案例2-1：SMA均线策略
2.1.1 案例要点与事件编程
2.1.2 量化程序结构
2.1.3 main 程序主入口
2.1.4 KISS 法则
2.2 Python量化系统框架
2.2.1 量化行业关键词
2.2.2 国外主流Python 量化网站
2.2.3 我国主流Python 量化网站
2.2.4 主流Python 量化框架
2.3 常用量化软件包
2.3.1 常用量化软件包简介
2.3.2 案例2-2：模块库列表
2.4 常用量化技术指标
2.4.1 TA-Lib 金融软件包
2.4.2 案例2-3：MA 均线函数调用
2.4.3 TA-Lib 函数调用
2.4.4 量化分析常用指标
2.5 经典量化策略
2.5.1 阿尔法（Alpha）策略
2.5.2 Beta 策略
2.5.3 海龟交易法则
2.5.4 ETF 套利策略
2.6 常用量化策略
2.6.1 动量交易策略
2.6.2 均值回归策略
2.6.3 其他常用量化策略
2.7 起点与终点
第3章 金融数据采集整理
3.1 常用数据源API与模块库
3.1.1 大数据综合API
3.1.2 专业财经数据API
3.1.3 专业数据模块库
3.2 案例3-1：zwDatX数据类
3.3 美股数据源模块库
3.4 开源文档库Read the Docs
3.5 案例3-2：下载美股数据
3.6 财经数据源模块库TuShare
3.6.1 沪深股票列表
3.6.2 案例3-3：下载股票代码数据
3.6.3 CSV 文件处理
3.7 历史数据
3.7.1 历史行情
3.7.2 案例3-4：下载近期股票数据
3.7.3 历史复权数据
3.7.4 案例3-5：下载历史复权数据
3.8 其他交易数据
3.9 zwDat超大股票数据源与数据更新
3.9.1 案例3-6：A 股基本概况数据下载
3.9.2 案例3-7：A 股交易数据下载
3.9.3 案例3-8：A 股指数行情数据下载
3.9.4 案例3-9：美股交易数据下载
3.10 数据归一化处理
3.10.1 中美股票数据格式差异
3.10.2 案例3-10：数据格式转化
3.10.3 案例3-11：A 股策略PAT 实盘分析
3.10.4 案例3-12：数据归一化
3.11 为有源头活水来
第4章 PAT案例汇编
4.1 投资组合与回报率
4.1.1 案例4-1：下载多组美股数据
4.1.2 案例4-2：投资组合收益计算
4.2 SMA均线策略
4.2.1 SMA 简单移动平均线
4.2.2 案例4-3：原版SMA 均线策略
4.2.3 案例4-4：增强版SMA 均线策略
4.2.4 案例4-5：A 股版SMA 均线策略
4.3 均线交叉策略
4.3.1 案例4-6：均线交叉策略
4.3.2 案例4-7：A 股版均线交叉策略
4.4 VWAP动量策略
4.4.1 案例4-8：VWAP 动量策略
4.4.2 案例4-9：A 股版VWAP 动量策略
4.5 布林带策略
4.5.1 案例4-10：布林带策略
4.5.2 案例4-11：A 股版布林带策略
4.6 RSI2策略
4.6.1 案例4-12：RSI2 策略
4.6.2 案例4-13：A 股版RSI2 策略
4.7 案例与传承
第5章 zwQuant整体架构
5.1 发布前言
5.2 功能简介
5.2.1 目录结构
5.2.2 安装与更新
5.2.3 模块说明
5.2.4 zwSys 模块：系统变量与类定义
5.2.5 zwTools 模块：常用（非量化）工具函数
5.2.6 zwQTBox：常用“量化”工具函数集
5.2.7 zwQTDraw.py：量化绘图工具函数
5.2.8 zwBacktest：回溯测试工具函数
5.2.9 zwStrategy：策略工具函数
5.2.10 zw_TA-Lib：金融函数模块
5.3 示例程序
5.4 常用量化分析参数
5.5 回溯案例：对标测试
5.5.1 对标测试1：投资回报参数
5.5.2 对标测试2：VWAP 策略
5.6 回报参数计算
5.7 主体框架
5.7.1 stkLib 内存数据库
5.7.2 Bars 数据包
5.7.3 案例：内存数据库&数据包
5.7.4 qxLib、xtrdLib
5.7.5 案例5-1：qxLib 数据
5.7.6 量化系统的价格体系
5.7.7 数据预处理
5.7.8 绘图模板
5.8 新的起点
第6章 模块详解与实盘数据
6.1 回溯流程
6.1.1 案例6-1：投资回报率
6.1.2 代码构成
6.1.3 运行总流程
6.2 运行流程详解
6.2.1 设置股票数据源
6.2.2 设置策略参数
6.2.3 dataPre 数据预处理
6.2.4 绑定策略函数
6.2.5 回溯测试：zwBackTest
6.2.6 输出回溯结果数据、图表
6.3 零点策略
6.3.1 mul 多个时间点的交易&数据
6.3.2 案例6-2：多个时间点交易
6.4 不同数据源与格式修改
6.4.1 案例6-3：数据源修改
6.4.2 数据源格式修改
6.5 金融数据包与实盘数据更新
6.5.1 大盘指数文件升级
6.5.2 实盘数据更新
6.5.3 案例6-4：A 股实盘数据更新
6.5.4 案例6-5：大盘指数更新
6.6 稳定第一
第7章 量化策略库
7.1 量化策略库简介
7.1.1 量化系统的三代目
7.1.2 通用数据预处理函数
7.2 SMA均线策略
7.2.1 案例7-1：SMA 均线策略
7.2.2 实盘下单时机与推荐
7.2.3 案例7-2：实盘SMA 均线策略
7.3 CMA均线交叉策略
7.3.1 案例7-3：均线交叉策略
7.3.2 对标测试误差分析
7.3.3 案例7-4：CMA 均线交叉策略修改版
7.3.4 人工优化参数
7.4 VWAP策略
7.4.1 案例7-5：VWAP 策略
7.4.2 案例7-6：实盘VWAP 策略
7.5 BBands布林带策略
7.5.1 案例7-7：BBands 布林带策略
7.5.2 案例7-8：实盘BBands 布林带策略
7.6 大道至简1+1
第8章 海龟策略与自定义扩展
8.1 策略库
8.1.1 自定义策略
8.1.2 海龟投资策略
8.2 tur海龟策略v1：从零开始
8.3 案例8-1：海龟策略框架
8.4 tur海龟策略v2：策略初始化
8.5 案例8-2：策略初始化
8.6 tur海龟策略v3：数据预处理
8.7 案例8-3：数据预处理
8.8 tur海龟策略v4：策略分析
8.9 案例8-4：策略分析
8.10 tur海龟策略v5：数据图表输出
8.10.1 案例8-5：图表输出
8.10.2 参数优化
8.10.3 案例8-6：参数优化
8.11 tur海龟策略v9：加入策略库
8.12 案例8-7：入库
8.13 庖丁解牛
第9章 TA-Lib函数库与策略开发
9.1 TA-Lib技术指标
9.1.1 TA-Lib 官网
9.1.2 矩阵版TA-Lib 金融函数模块
9.2 MACD策略
9.2.1 MACD 策略1
9.2.2 案例9-1：MACD_v1
9.2.3 MACD 策略2
9.2.4 案例9-2：MACD_v2
9.3 KDJ策略
9.3.1 KDJ 策略1
9.3.2 案例9-3：KDJ01
9.3.3 KDJ 策略2
9.3.4 案例9-4：KDJ02
9.4 RSI策略
9.4.1 RSI 取值的大小
9.4.2 RSI 策略
9.4.3 预留参数优化接口
9.4.4 案例9-5：A 股版RSI 策略
9.5 基石、策略与灵感
第10章 扩展与未来
10.1 回顾案例2-1：SMA均线策略
案例10-1：SMA 均线策略扩展
10.2 大盘指数资源
10.2.1 大盘指数文件升级
10.2.2 大盘指数内存数据库
10.2.3 扩展zwQuantX 类变量
10.2.4 大盘指数读取函数
10.2.5 案例10-2：读取指数
10.2.6 大盘数据切割
10.2.7 案例10-3：inxCut 数据切割
10.3 系统整合
10.3.1 案例10-4：整合设置
10.3.2 案例10-5：修改指数代码
10.3.3 修改sta_dataPre0xtim 函数
10.3.4 案例10-6：整合数据切割
10.3.5 修改绘图函数
10.4 扩展完成
案例10-7：SMA 均线扩展策略
10.5 其他扩展课题
10.5.1 复权数据冲突
10.5.2 波动率指标DVIX
10.5.3 修改回溯主函数zwBackTest
10.5.4 案例10-8：波动率
10.5.5 空头交易
10.5.6 虚拟空头交易
10.5.7 修改检查函数
10.5.8 案例10-9：空头数据
10.6 终点与起点
附录A zwPython开发平台用户手册
附录B Python量化学习路线图
📜 SIMILAR VOLUMES
<p>《从零开始学Python 大数据与量化交易》首先讲解量化交易的基础知识，如量化交易的优势、应用、注意事项、历史、量化交易平台等；然后讲解量化交易开发语言Python，即讲解Python 语言的开发环境、基本语法及流程控制、特征数据类型、内置函数与自定义用户函数、面向对象编程；接着讲解大数据分析和可视化的3 个包，分别是Numpy 包、Pandas 包、Matplotlib 包；然后讲解量化交易策略的编写、获取数据函数、基本面量化选股、量化择时的技术指标函数、回测技巧、因子分析技巧；最后讲解Python 量化交易策略的实战案例。</p>
Python量化回溯、TensorFlow、PyTorch、MXNet深度学习平台以及神经网络模型，都是近年来兴起的前沿科技项目，相关理论、平台、工具目前尚处于摸索阶段。 TensorFlow是近年来影响最大的神经网络、深度学习平台，本书从入门者的角度，对TensorFlow进行了介绍，书中通过大量的实际案例，让初学者快速掌握神经网络和金融量化分析的基本编程，为进一步学习奠定扎实的基础。 本书中的案例、程序以教学为主，且进行了高度简化，以便读者能够快速理解相关内容，用最短的时间了解Python量化回溯的整个流程，以及数据分析、机器学习、神经网络的应用。
本书使用Python编程语言、Pandas数据分析模块、机器学习和人工智能算法对足彩大数据进行实盘分析，设计并发布了开源大数据项目tfbDat足彩数据包，汇总了2010—2017年全球近7万场足球比赛的赛事和赔率数据。此外，还介绍使用Python语言抓取网页数据、下载更新tfbDat足彩数据包、预测和分析比赛球队的取胜概率，同时提出了检测人工智能算法优劣的“足彩图灵”法则。
<p>《Python量化交易：策略、技巧与实战》先讲解量化交易的基础知识，即量化交易的定义、特点、应用、故事、历史及注意事项；然后讲解量化交易平台，即JoinQuant聚宽量化交易平台的功能、账户的注册和登录、量化交易策略的创建、选股技巧、买卖条件模型、风险控制技巧、其他参数设置技巧、回测、模拟交易、实盘交易；接着讲解量化交易开发语言Python，即讲解Python开发环境及编程基础、流程控制与特征数据类型、函数与面向对象；又讲解Python量化交易策略的常用库、常用函数与对象、获取数据函数运用技巧、基本面选股技巧、技术指标函数运用技巧、回测方法与技巧；接着讲解Python量化交易策略的机器算
<p>本书本着能让新手快速上手量化交易的原则，循序渐进地讲解了量化交易入门所需要的知识，以及大量的开发技巧与交易技巧，具有很强的实用性。vn.py是机构级别的量化交易软件，掌握vn.py框架原理并且熟练运用，有利于新手快速搭建属于自己的量化交易。Python语言有非常强大的数据分析库，对于交易策略的研发具有天然优势，且其易学性也深受初学者喜爱。本书即以Python+vn.py这行组合写作，从量化交易的起源及其发展进程入手，在简单介绍Python量化编程基础，以及详细解析vn.py架构之后，深入且全面地介绍了CTA策略、海龟策略，以及新策略的开发流程。</p>
本书本着能让新手快速上手量化交易的原则，循序渐进地讲解了量化交易入门所需要的知识，以及大量的开发技巧与交易技巧，具有很强的实用性。vn.py是机构级别的量化交易软件，掌握vn.py框架原理并且熟练运用，有利于新手快速搭建属于自己的量化交易系统。Python语言有非常强大的数据分析库，对于交易策略的研发具有天然优势，且其易学性也深受初学者喜爱。本书即以Python+vn.py这一流行组合写作，从量化交易的起源及其发展进程入手，在简单介绍Python量化编程基础，以及详细解析vn.py架构之后，全面地介绍了CTA策略、海龟策略，以及新策略的开发流程。 相对其他量化交易方面的书，本书不再讲述Pyth