金融人工智能:用Python实现AI量化交易_【德】伊夫·希尔皮斯科_AZW3_MOBI_EPUB_PDF_电子书(无页码)_【德】伊夫·希尔皮斯科
内容节选
8.5金融特征 RNN 的应用不仅限于原始价格或收益率数据,还可以包括附加特征以改进它的预测性能。以下 Python 代码向数据集中添加了典型的金融特征。In [77]: data = generate_data()In [78]: data['r'] = np.log(data / data.shift(1))In [79]: window = 20 data['mom'] = data['r'].rolling(window).mean() ➊ data['vol'] = data['r'].rolling(window).std() ➋ In [80]: data.dropna(inplace=True) ➊ 增加时间序列动量特征。 ➋ 增加滚动波动率特征。 8.5.1 估计 在估计任务中,样本外准确率可能会显著下降,这有些出人意料。换句话说,在这种特殊情况下添加金融特征并没有观察到任何改进。In [81]: split = int(len(data) * 0.8)In [82]: train = data.iloc[:split].copy()In [83]: mu, std = train.mean(), train.std() ➊ In [84]: train = (train - mu) / std ➋ In [85]: test = data.iloc[split:].copy() In [86]: test = (test - mu) / std ➌ In [87]: g = TimeseriesGenerator(train.values, train['r'].values, length=lags, batch_size=5) ➍ In [88]: set_seeds() model = create_rnn_model(hu=100, features=len(data.columns), layer='SimpleRNN') In [89]: %%time model.fit_generator(g, epochs=100, steps_per_epoch=10, verbose=False) ➍ CPU times: user 5.24 s, sys: 1.08 s, total: 6.32 s Wall time: 2.73 s Out[89]:
- 信息
- 声明
- O'Reilly Media, Inc.介绍
- 业界评论
- 本书赞誉
- 前言
- 第一部分 机器智能
- 第1章 人工智能
- 1.1 算法
- 1.2 神经网络
- 1.3 数据的重要性
- 1.4 结论
- 第2章 超级智能
- 2.1 成功故事
- 2.2 硬件的重要性
- 2.3 智能的形式
- 2.4 通往超级智能的途径
- 2.5 智能爆炸
- 2.6 目标和控制
- 2.7 潜在的结果
- 2.8 结论
- 第二部分 金融和机器学习
- 第3章 规范性金融理论
- 3.1 不确定性与风险
- 3.2 预期效用理论
- 3.3 均值−方差投资组合理论
- 3.4 资本资产定价模型
- 3.5 套利定价理论
- 3.6 结论
- 第4章 数据驱动的金融学
- 4.1 科学方法
- 4.2 金融计量经济学与回归
- 4.3 数据可用性
- 4.4 重新审视规范性理论
- 4.5 揭示中心假设
- 4.6 结论
- 4.7 Python 代码段
- 第5章 机器学习
- 5.1 学习
- 5.2 数据
- 5.3 成功
- 5.4 容量
- 5.5 评估
- 5.6 偏差和方差
- 5.7 交叉验证
- 5.8 结论
- 第6章 人工智能优先的金融
- 6.1 有效市场
- 6.2 基于收益数据的市场预测
- 6.3 基于更多特征的市场预测
- 6.4 日内市场预测
- 6.5 结论
- 第三部分 统计失效
- 第7章 密集神经网络
- 7.1 数据
- 7.2 基线预测
- 7.3 归一化
- 7.4 暂退
- 7.5 正则化
- 7.6 装袋
- 7.7 优化器
- 7.8 结论
- 第8章 循环神经网络
- 8.1 第一个示例
- 8.2 第二个示例
- 8.3 金融价格序列
- 8.4 金融收益率序列
- 8.5 金融特征
- 8.6 结论
- 第9章 强化学习
- 9.1 基本概念
- 9.2 OpenAI Gym
- 9.3 蒙特卡罗智能体
- 9.4 神经网络智能体
- 9.5 DQL 智能体
- 9.6 简单的金融沙箱
- 9.7 更好的金融沙箱
- 9.8 FQL 智能体
- 9.9 结论
- 第四部分 算法交易
- 第10章 向量化回测
- 10.1 基于SMA 策略的回测
- 10.2 基于DNN 的每日策略的回测
- 10.3 基于DNN 的日内策略的回测
- 10.4 结论
- 第11章 风险管理
- 11.1 交易机器人
- 11.2 向量化回测
- 11.3 基于事件的回测
- 11.4 风险评估
- 11.5 风控措施回测
- 11.6 结论
- 11.7 Python 代码
- 第12章 执行与部署
- 12.1 Oanda 账户
- 12.2 数据检索
- 12.3 订单执行
- 12.4 交易机器人
- 12.5 部署
- 12.6 结论
- 12.7 Python 代码
- 第五部分 展望
- 第13章 基于人工智能的竞争
- 13.1 人工智能和金融
- 13.2 标准的缺失
- 13.3 教育和培训
- 13.4 资源争夺
- 13.5 市场影响
- 13.6 竞争场景
- 13.7 风险、监管和监督
- 13.8 结论
- 第14章 金融奇点
- 14.1 概念和定义
- 14.2 风险是什么
- 14.3 通往金融奇点的途径
- 14.4 正交技能和资源
- 14.5 之前和之后的情景
- 14.6 星际迷航还是星球大战
- 14.7 结论
- 第六部分 附录
- 附录A 交互式神经网络
- A.1 张量和张量运算
- A.2 简单神经网络
- A.3 浅层神经网络
- 附录B 神经网络类
- B.1 激活函数
- B.2 简单神经网络
- B.3 浅层神经网络
- B.4 预测市场方向
- 附录C 卷积神经网络
- C.1 特征和标签数据
- C.2 训练模型
- C.3 测试模型
- 参考文献
- 关于作者
- 关于封面