MATLAB金融算法分析實戰：基于機器學習的股票量化分析 ( 簡體 字) |
| 作者：吳婷 余勝威 編著 | 類別：1. -> 工程繪圖與工程計算 -> Matlab |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 47356
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：8/1/2017 |
| 頁數：352 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷+數頁彩色插圖 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111573005 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：2015年6月15日，上證指數達到近7年新高，吸引了大批的投資者將更多的資金投入股市，由此使得股票優化預測成為廣大投資者關注的焦點。投資者較多地查看炒股軟件提供的QACD曲線、KDJ曲線、交易量柱狀（bar）圖等指標，而這些指標的指示作用早已褪去了往日的光鮮，本書正是基于此背景而編寫。本書以MATLAB 2015b為工具，采用機器學習算法研究股票趨勢，可以給投資者和研究投資的人員提供強有力的量化投資支撐。
算法是大數據分析的靈魂，好的算法能夠簡化問題的求解，并且能夠從大數據的海洋里找到最有價值的信息，以提高用戶的工作效率。本書使用的算法區別于常用的群智能算法。群智能算法較多地應用于優化求解問題方面，學術味濃。而本書則是通過大數據，采用機器學習算法對數據內在規律進行學習，用戶根本無須知道機器學習算法的黑匣子，就能得到90%的有用信息，從而給投資者提供最有價值的信息。因此金融大數據算法具有較大的實際應用價值。
市場上的金融量化投資分析方法，很少分析與應用BP神經網絡、RBF神經網絡、Hopfield神經網絡、馬爾可夫（Markov）鏈、灰色理論、指數平滑、支持向量機SVM、貝葉斯（Bayes）網絡等方法。本書正是基于這樣一個出發點，從機器學習算法出發，采用MATLAB仿真軟件，對金融大數據進行仿真分析，并且給出了全部的可執行代碼，極大地豐富了MATLAB算法應用，并且可以讓讀者了解不同的算法原理及求解流程，從而真正掌握MATLAB金融算法分析。
本書所有案例均采用MATLAB進行設計，針對不同的工程背景，采用了不同的算法對涉及案例進行求解，讓讀者真正理解算法實質，從而將這些算法思想更好地應用于實際的金融分析與投資中。本書以機器學習算法應用為主，做到了理論和算法相結合，詳解設計思路和設計步驟，向讀者展示了如何運用MATLAB進行算法開發和設計。
值得說明的是，很多讀者可能并不關注算法本身的原理，只需要采用該算法解決自己的課題即可，那么本書也是很好的選擇。本書將核心算法代碼全部寫成了可調用的子函數腳本文件，讀者只需要查看主程序代碼，進行數據更改和參數設置等即可運行、求解。本書有著最精華、最通俗易懂的算法剖析過程，希望廣大讀者能夠學有所成。
本書特色
1．內容講解不枯燥
本書結合相關理論實際，抽出和算法相關的理論作為支撐，通過求解流程及算法迭代過程，讓讀者容易理解并且掌握。
2．全書覆蓋面廣
本書涵蓋了MATLAB基礎知識、高級應用、時間序列數據處理、量化投資趨向指標、量化投資反趨向指標、BP神經網絡、RBF神經網絡、Hopfield神經網絡、馬爾可夫（Markov）鏈、灰色理論、指數平滑、支持向量機SVM、貝葉斯（Bayes）網絡、Pareto多目標優化分析等內容。針對分類預測和優化等問題，本書采用了不同的算法進行設計，初學者通過閱讀本書，可以開發出適用于解決自己問題的程序。
3．循序漸進，由淺入深
本書從算法原理與求解流程出發，輔以程序驗證，通過算法代碼，可以反過來去理解算法原理中所涉及的公式，做到逐步地引導讀者去認識和掌握算法的思想。
4．真實案例，隨學隨用
本書是一本注重實踐的書，書中有大量篇幅用在了MATLAB算法解決實際問題的案例中。讀者只需要稍加修改這些案列，即可用于自己的項目或課題上，從而實現問題的求解。
5．語言通俗易懂
本書選擇了歷年的上證指數數據進行分析，并且對于趨勢量化投資指標和反趨勢量化投資指標均給出了最底層的可執行代碼。另外，本書還繪制了每個指標隨上證指數的變化圖，以加深讀者的理解。
6．圖示豐富，容易理解
本書所有案例中的配圖相當豐富，通過前后的對比圖，讀者能很快地掌握知識點。
本書內容及體系結構
第1篇 MATLAB常用算法應用設計（第1~5章）
本篇介紹了MATLAB常用算法，包括MATLAB入門與提高、MATLAB高級應用、時間序列數據處理、量化投資趨向指標、量化投資反趨向指標等案例，通過該類較為常用的算法引入，讀者可以應用這些案例解決一些常見問題，如函數優化預測、擬合回歸、分類、股票投資趨向指標、量化投資反趨向指標等，經過這些內容的學習，既適應了不同的讀者，也為第2篇的引入打下了堅實的算法基礎。
第2篇 MATLAB機器學習算法應用設計（第6~15章）
本篇涉及面較廣，列舉了BP神經網絡工具箱上證指數預測、BP神經網絡多指標預測、RBF神經網絡多指標預測、Hopfield神經網絡多指標預測、馬爾可夫（Markov）鏈上證指數預測、灰色理論下的上證指數預測、指數平滑下的上證指數預測、支持向量機SVM下的漲跌預測、貝葉斯（Bayes）網絡多指標預測、Pareto多目標優化分析等，通過案例分析，結合算法理論和程序代碼，真正地適合廣大師生的需要。MATALB高級算法應用，向更加廣泛、更加具體、更多應用發展，讓讀者真正掌握算法核心，開發和設計出自己的可移植性代碼。
本書讀者對象
? MATLAB 量化投資開發人員；
? MATLAB金融算法愛好者；
? 剛入職的初中級程序員；
? 大、中專院校師生；
? 相關培訓學校的學員；
? MATLAB愛好者；
? MATALB相關從業人員。
本書配套資源及獲取方式
本書涉及的源代碼文件等配套學習資源需要讀者自行下載。請讀者登錄機械工業出版社華章公司的網站www.hzbook.com，然后搜索到本書頁面，按照頁面上的說明進行下載即可。讀者也可以在http://halcom.cn社區的“量化投資指標”版塊下載。
本書作者
本書由吳婷和余勝威主筆編寫。其他參與編寫的人員有李小妹、周晨、桂鳳林、李然、李瑩、李玉青、倪欣欣、魏健藍、夏雨晴、蕭萬安、余慧利、袁歡、占俊、周艷梅、楊松梅、余月、張廣龍、張亮、張曉輝、張雪華、趙海波、趙偉、周成、朱森。
筆者結合自己在工作和學習期間掌握的各類算法，以及出于對股票投資和MATLAB的愛好，通過參閱大量的相關資料，精心準備，編寫了本書。本書在寫作過程中參考了一些筆者平時積累的資料，部分資料來自于前輩們的著作，在此向這些前輩們表示深深的敬意和感謝！由于無法聯系到原作者，所以寫作時也無法一一征求意見。如果有不當之處，請聯系筆者或者本書編輯。
讀者在閱讀本書的過程中若有疑問，可以在MATLAB中文論壇的本書交流版塊提問，也可以發郵件到hzbook2017@163.com，我們會及時答復。
編者 |
內容簡介：本書全面系統地講解了MATLAB金融算法設計應用，以及金融數據挖掘中趨向和發展趨勢指標，并結合具體的機器學習算法分析，讓讀者深入學習和掌握MATLAB金融數據機器學習算法。本書注重實戰，通過大量的案例，幫助讀者更好地理解本書內容。
本書分為2篇，共15章。主要內容有：MATLAB入門與提高、MATLAB高級應用、時間序列數據處理、量化投資趨向指標、量化投資反趨向指標、BP神經網絡工具箱上證指數預測、 BP神經網絡工具箱多指標預測、RBF神經網絡多指標預測、Hopfield神經網絡多指標預測、馬爾可夫（Markov）鏈上證指數預測、灰色理論下的上證指數預測、指數平滑下的上證指數預測、支持向量機SVM下的漲跌預測、貝葉斯（Bayes）網絡多指標預測、Pareto多目標優化分析。
本書適合所有想全面學習MATLAB 金融分析設計的人員閱讀，也適合各種使用MATlAB進行開發的工程技術人員使用。另外，對于各高校師生解決問題、進行課堂教學等，也是一本不可或缺的必備參考書。同時本書也適合MATLAB愛好者學習使用。本書結合網絡實際，針對網上討論的大部分疑難問題，書中均有涉及。 |
目錄：前言
在線交流，有問有答
第1篇 MATLAB常用算法應用設計
第1章 MATLAB入門與提高 2
1.1 矩陣運算 4
1.2 放大局部視圖 6
1.3 Monte Carlo方法 7
1.4 金融工具箱繪圖函數的使用 9
1.4.1 bolling（布林線）函數 10
1.4.2 highlow（高低價）函數 13
1.4.3 candle（陰陽燭圖）函數 16
1.4.4 kagi（折線圖）函數 21
1.4.5 renko（磚形圖）函數 22
1.4.6 movavg（移動平均圖）函數 23
1.4.7 priceandvol（成交量圖）函數 27
1.4.8 pointfig（漲跌點圖）函數 28
1.4.9 volarea（成交量面積圖）函數 30
第2章 MATLAB高級應用 32
2.1 正余弦函數計算 32
2.2 pcode加密 32
2.3 基本GUI設計 33
2.4 GUI的優化布局 41
2.5 日期格式函數 43
2.6 日期轉化函數 45
2.7 創建一個金融時間數據序列 47
2.8 股票技術分析圖函數使用 49
第3章 時間序列數據處理 55
3.1 平均絕對離差 55
3.2 序列最大值 57
3.3 序列最小值 60
3.4 簡單移動平均值 62
3.5 動態移動平均值 65
3.6 指數平滑移動平均值 67
3.7 指數移動平均值 69
第4章 量化投資趨向指標 73
4.1 升降線指標 73
4.2 動力指標 76
4.3 變動速率線指標 77
4.4 瀑布線指標 79
4.5 上升動向指標 81
4.6 下降動向指標 83
4.7 動向平均數指標 85
4.8 多空指數指標 88
4.9 佳慶指標 90
4.10 市場趨勢指標 92
4.11 方向標準離差指數指標 94
4.12 平均線差 97
4.13 趨向指標 98
4.14 簡易波動指標 102
4.15 鬼道線指標 104
4.16 絕路航標指標 106
4.17 加速線指標 109
4.18 平滑異同平均指標 111
4.19 快速異同平均指標 113
4.20 強弱值指標 115
4.21 三重指數平滑平均線指標 117
4.22 終極指標 119
4.23 變異平均線指標 122
第5章 量化投資反趨向指標 124
5.1 幅度漲速指標 124
5.2 動態買賣人氣指標 126
5.3 布林極限指標 128
5.4 乖離率指標 131
5.5 異同離差乖離率指標 133
5.6 順勢指標 135
5.7 市場能量指標 137
5.8 多空線指標 139
5.9 區間震蕩線指標 141
5.10 分水嶺指標 142
5.11 隨機指標 144
5.12 威廉指標 148
5.13 L威廉指標 150
5.14 變動速率指標 152
5.15 相對強弱指標 153
5.16 慢速隨機指標 156
5.17 擺動指標 159
5.18 動向速度比率指標 162
5.19 引力線指標 164
5.20 布林極限寬度指標 166
第2篇 MATLAB機器學習算法應用設計
第6章 BP神經網絡工具箱上證指數預測 170
6.1 BP神經網絡模型及其基本原理 170
6.2 MATLAB BP神經網絡工具箱 171
6.3 BP神經網絡執行流程 173
6.4 基于BP網絡的上證指數預測 174
6.5 改進分析 178
第7章 BP神經網絡工具箱多指標預測 186
7.1 BP神經網絡 186
7.2 多指標選取 187
7.3 基于趨勢指標的BP網絡預測 195
7.4 基于反趨勢指標的BP網絡預測 204
7.5 基于趨勢和反趨勢指標的BP網絡預測 211
第8章 RBF神經網絡多指標預測 216
8.1 RBF神經網絡 216
8.2 RBF網絡結構 216
8.3 多指標選取 219
8.4 基于趨勢指標的RBF網絡預測 220
8.5 基于反趨勢指標的RBF網絡預測 224
8.6 基于趨勢和反趨勢指標的RBF網絡預測 228
第9章 Hopfield神經網絡多指標預測 232
9.1 Hopfield神經網絡 232
9.2 多指標選取 234
9.3 基于趨勢指標的Hopfield網絡預測 234
9.4 基于反趨勢指標的Hopfield網絡預測 237
9.5 基于趨勢和反趨勢指標的Hopfield網絡預測 239
第10章 馬爾可夫（Markov）鏈上證指數預測 242
10.1 馬爾可夫鏈模型 242
10.2 馬爾可夫鏈模型流程 242
10.3 馬爾可夫鏈預測 243
10.4 隱馬爾可夫模型函數表 253
第11章 灰色理論下的上證指數預測 254
11.1 灰色理論分析 254
11.2 灰色關聯分析流程 254
11.3 多指標灰色關聯度計算 255
11.4 灰色預測模型流程 259
11.5 ACCER幅度漲速指標灰色預測 260
第12章 指數平滑下的上證指數預測 263
12.1 指數平滑分析 263
12.1.1 一次指數平滑預測法 263
12.1.2 二次指數平滑預測法 264
12.1.3 三次指數平滑預測法 264
12.2 指數平滑仿真 265
12.2.1 一次指數平滑 265
12.2.2 二次指數平滑 268
12.2.3 三次指數平滑 270
第13章 支持向量機SVM下的漲跌預測 274
13.1 Logistic回歸 274
13.2 Regularization正則化方程 275
13.3 支持向量機SVM算法 275
13.4 MATLAB優化工具箱 277
13.4.1 線性規劃問題 278
13.4.2 非線性規劃問題 279
13.4.3 二次規劃問題 280
13.4.4 線性最小二乘 282
13.4.5 非線性曲線擬合 283
13.4.6 非線性最小二乘 284
13.5 SVM下的上證指數漲跌預測 285
13.6 PSO優化的SVM多分類預測 297
第14章 貝葉斯（Bayes）網絡多指標預測 305
14.1 貝葉斯統計方法 305
14.2 貝葉斯預測方法 307
14.3 貝葉斯網絡的數據預測 307
14.4 貝葉斯網絡下的價格指數建模與預測 317
14.4.1 讀入采集到的數據 318
14.4.2 建立貝葉斯網絡 319
14.4.3 對構建的貝葉斯網絡進行參數學習 319
14.4.4 條件概率分析 321
第15章 Pareto多目標優化分析 325
15.1 經典測試函數 325
15.2 遺傳算法優化的單目標模型 330
15.3 Pareto多目標求解GUI設計 336
參考文獻 353 |
| 序： |
