现货 零起点Python大数据与量化交易 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

图书标签:

• Python
• 大数据
• 量化交易
• 零基础
• 编程入门
• 金融
• 数据分析
• 投资
• 实战
• 现货

店铺： 福州文豪图书专营店

出版社： 电子工业出版社

ISBN：9787121306594

商品编码：11193038889

包装：平装

丛书名： 零起点Python大数据与量化交易预售

开本：16

出版时间：2017-02-01

正文语种：中文

内容简介

本书是国内较早关于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。本书有三大特色：*，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。

本书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。

 

前    言

 

2014年，美国银行、美林证券的“石英”项目、摩根大通的“雅典娜”项目都不约而同地选择了Python作为金融行业的标准编程语言。

全世界的金融工程行业全部重新洗牌，这为中国的金融工程从业人员带来了前所未有的机遇。资本的力量是强大的，也是冷酷无情的。

2016年5月，《华尔街日报》报道，目前华尔街的三大编程语言是：C、Java与Python。其中，C与Java成为三大语言之一有两方面原因：一方面是由于历史积累，另一方面是系统架构设计的需要。而在应用领域Python更胜一筹，因为Python已经成为金融行业量化领域的标准编程语言。

本书是国内较早关于Python大数据与量化交易的原创图书。本书配合zwPython、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。

本书内容包括：

—近50万字的图文课件；

—数十套结合课件的Python教学代码；

—全套zwPython开源平台；

—业内首套面向初学者的开源量化系统zwQuant；

—国内较大的开源金融数据包zwDat，包括tick数据。

100%零基础，无须任何编程、交易经验，也不需要具备超强的数据分析能力，只要会使用Excel就可以轻松学会本书讲解的知识点。读完本书内容和配套的教学代码，就能够编写简单的量化策略函数。

本书的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。

 

目    录

第1章  从故事开始学量化.... 1

1.1  亿万富翁的“神奇公式”.... 2

1.1.1  案例1-1：亿万富翁的“神奇公式”... 2

1.1.2  案例分析：Python图表... 5

1.1.3  matplotlib绘图模块库... 7

1.1.4  案例分析：style绘图风格... 10

1.1.5  案例分析：colormap颜色表... 12

1.1.6  案例分析：颜色表关键词... 14

1.1.7  深入浅出... 17

1.2  股市“一月效应”.... 18

1.2.1  案例1-2：股市“一月效应”... 18

1.2.2  案例分析：“一月效应”计算... 19

1.2.3  案例分析：“一月效应”图表分析... 24

1.2.4  案例分析：颜色表效果图... 26

1.2.5  “一月效应”全文注解版Python源码... 27

1.2.6  大数据·宏分析... 34

1.3  量化交易流程与概念.... 36

1.3.1  数据分析I2O流程... 36

1.3.2  量化交易不是高频交易、自动交易... 37

1.3.3  小资、小白、韭菜... 38

1.3.4  专业与业余... 38

1.4  用户运行环境配置.... 42

1.4.1  程序目录结构... 43

1.4.2  金融股票数据包... 44

1.5  Python实战操作技巧.... 46

1.5.1  模块检测... 46

1.5.2  Spyder编辑器界面设置... 47

1.5.3  代码配色技巧... 48

1.5.4  图像显示配置... 50

1.5.5  Python2、Python 3双版本双开模式... 51

1.5.6  单版本双开、多开模式... 52

1.5.7  实战胜于一切... 54

1.6  量化、中医与西医.... 54

第2章  常用量化技术指标与框架.... 56

2.1  案例2-1：SMA均线策略.... 56

2.1.1  案例要点与事件编程... 58

2.1.2  量化程序结构... 61

2.1.3  main程序主入口... 61

2.1.4  KISS法则... 63

2.2  Python量化系统框架.... 64

2.2.1  量化行业关键词... 64

2.2.2  国外主流Python量化网站... 65

2.2.3  我国主流Python量化网站... 67

2.2.4  主流Python量化框架... 70

2.3  常用量化软件包.... 78

2.3.1  常用量化软件包简介... 79

2.3.2  案例2-2：模块库列表... 80

2.4  常用量化技术指标.... 82

2.4.1  TA-Lib金融软件包... 83

2.4.2  案例2-3：MA均线函数调用... 84

2.4.3  TA-Lib函数调用... 86

2.4.4  量化分析常用指标... 88

2.5  经典量化策略.... 90

2.5.1  阿尔法（Alpha）策略... 90

2.5.2  Beta策略... 92

2.5.3  海龟交易法则... 93

2.5.4  ETF套利策略... 95

2.6  常用量化策略.... 95

2.6.1  动量交易策略... 96

2.6.2  均值回归策略... 97

2.6.3  其他常用量化策略... 98

2.7  起点与终点.... 100

第3章  金融数据采集整理.... 101

3.1  常用数据源API与模块库.... 102

3.1.1  大数据综合API102

3.1.2  专业财经数据API103

3.1.3  专业数据模块库... 104

3.2  案例3-1：zwDatX数据类.... 104

3.3  美股数据源模块库.... 108

3.4  开源文档库Read the Docs. 109

3.5  案例3-2：下载美股数据.... 110

3.6  财经数据源模块库TuShare. 113

3.6.1  沪深股票列表... 115

3.6.2  案例3-3：下载股票代码数据... 116

3.6.3  CSV文件处理... 119

3.7  历史数据.... 121

3.7.1  历史行情... 121

3.7.2  案例3-4：下载近期股票数据... 124

3.7.3  历史复权数据... 130

3.7.4  案例3-5：下载历史复权数据... 131

3.8  其他交易数据.... 134

3.9  zwDat超大股票数据源与数据更新.... 143

3.9.1  案例3-6：A股基本概况数据下载... 144

3.9.2  案例3-7：A股交易数据下载... 146

3.9.3  案例3-8：A股指数行情数据下载... 150

3.9.4  案例3-9：美股交易数据下载... 151

3.10  数据归一化处理.... 153

3.10.1  中美股票数据格式差异... 153

3.10.2  案例3-10：数据格式转化... 154

3.10.3  案例3-11：A股策略PAT实盘分析... 156

3.10.4  案例3-12：数据归一化... 158

3.11  为有源头活水来.... 160

第4章  PAT案例汇编.... 162

4.1  投资组合与回报率.... 163

4.1.1  案例4-1：下载多组美股数据... 163

4.1.2  案例4-2：投资组合收益计算... 165

4.2  SMA均线策略.... 168

4.2.1  SMA简单移动平均线... 168

4.2.2  案例4-3：原版SMA均线策略... 169

4.2.3  案例4-4：增强版SMA均线策略... 173

4.2.4  案例4-5：A股版SMA均线策略... 174

4.3  均线交叉策略.... 175

4.3.1  案例4-6：均线交叉策略... 176

4.3.2  案例4-7：A股版均线交叉策略... 178

4.4  VWAP动量策略.... 181

4.4.1  案例4-8：VWAP动量策略... 182

4.4.2  案例4-9：A股版VWAP动量策略... 183

4.5  布林带策略.... 183

4.5.1  案例4-10：布林带策略... 185

4.5.2  案例4-11：A股版布林带策略... 186

4.6  RSI2策略.... 188

4.6.1  案例4-12：RSI2策略... 190

4.6.2  案例4-13：A股版RSI2策略... 190

4.7  案例与传承.... 194

第5章  zwQuant整体架构.... 196

5.1  发布前言.... 196

5.2  功能简介.... 197

5.2.1  目录结构... 197

5.2.2  安装与更新... 198

5.2.3  模块说明... 199

5.2.4  zwSys模块：系统变量与类定义... 200

5.2.5  zwTools模块：常用（非量化）工具函数... 201

5.2.6  zwQTBox：常用“量化”工具函数集... 201

5.2.7  zwQTDraw.py：量化绘图工具函数... 203

5.2.8  zwBacktest：回溯测试工具函数... 203

5.2.9  zwStrategy：策略工具函数... 203

5.2.10  zw_TA-Lib：金融函数模块... 204

5.3  示例程序.... 207

5.4  常用量化分析参数.... 208

5.5  回溯案例：对标测试.... 209

5.5.1  对标测试1：投资回报参数... 209

5.5.2  对标测试2：VWAP策略... 211

5.6  回报参数计算.... 214

5.7  主体框架.... 220

5.7.1  stkLib内存数据库... 220

5.7.2  Bars数据包... 221

5.7.3  案例：内存数据库&数据包... 222

5.7.4  qxLib、xtrdLib. 227

5.7.5  案例5-1：qxLib数据... 228

5.7.6  量化系统的价格体系... 230

5.7.7  数据预处理... 231

5.7.8  绘图模板... 234

5.8  新的起点.... 236

第6章  模块详解与实盘数据.... 237

6.1  回溯流程.... 238

6.1.1  案例6-1：投资回报率... 238

6.1.2  代码构成... 242

6.1.3  运行总流程... 243

6.2  运行流程详解.... 244

6.2.1  设置股票数据源... 244

6.2.2  设置策略参数... 247

6.2.3  dataPre数据预处理... 249

6.2.4  绑定策略函数... 253

6.2.5  回溯测试：zwBackTest253

6.2.6  输出回溯结果数据、图表... 258

6.3  零点策略.... 260

6.3.1  mul多个时间点的交易&数据... 263

6.3.2  案例6-2：多个时间点交易... 264

6.4  不同数据源与格式修改.... 270

6.4.1  案例6-3：数据源修改... 272

6.4.2  数据源格式修改... 274

6.5  金融数据包与实盘数据更新.... 275

6.5.1  大盘指数文件升级... 276

6.5.2  实盘数据更新... 277

6.5.3  案例6-4：A股实盘数据更新... 277

6.5.4  案例6-5：大盘指数更新... 279

6.6  稳定*.... 281

第7章  量化策略库.... 282

7.1  量化策略库简介.... 282

7.1.1  量化系统的三代目... 283

7.1.2  通用数据预处理函数... 283

7.2  SMA均线策略.... 286

7.2.1  案例7-1：SMA均线策略... 286

7.2.2  实盘下单时机与推荐... 289

7.2.3  案例7-2：实盘SMA均线策略... 290

7.3  CMA均线交叉策略.... 294

7.3.1  案例7-3：均线交叉策略... 294

7.3.2  对标测试误差分析... 296

7.3.3  案例7-4：CMA均线交叉策略修改版... 299

7.3.4  人工优化参数... 300

7.4  VWAP策略.... 301

7.4.1  案例7-5：VWAP策略... 301

7.4.2  案例7-6：实盘VWAP策略... 303

7.5  BBands布林带策略.... 304

7.5.1  案例7-7：BBands布林带策略... 305

7.5.2  案例7-8：实盘BBands布林带策略... 306

7.6  大道至简1+1. 307

第8章  海龟策略与自定义扩展.... 309

8.1  策略库.... 309

8.1.1  自定义策略... 310

8.1.2  海龟投资策略... 310

8.2  tur海龟策略v1：从零开始.... 311

.... 312

《零起点 Python 大数据与量化交易》—— 开启数据驱动的财富增长新篇章 你是否曾对海量数据背后的价值感到好奇？是否曾憧憬着通过智慧与科技，在瞬息万变的金融市场中捕捉机遇？《零起点 Python 大数据与量化交易》将是你迈入这个精彩世界的敲门砖。 这本书并非一本枯燥的技术手册，而是为你量身打造的、兼具理论深度与实操乐趣的学习指南。它将带领你从零开始，逐步掌握 Python 这一强大的编程语言，并将其与大数据分析和量化交易的神秘领域深度融合。我们将一起探索如何让数据说话，如何从错综复杂的信息中提炼出有价值的洞察，最终指导我们在资本市场的投资决策。 为什么选择 Python？ Python 凭借其简洁易懂的语法、庞大的库生态系统以及活跃的社区支持，已成为数据科学和金融科技领域毋庸置疑的首选语言。无论你是否拥有编程基础，这本书都会让你领略到 Python 的魅力。我们将从最基础的变量、数据类型、控制流开始，循序渐进地讲解 Python 的核心概念，让你快速建立起扎实的编程功底。 大数据：开启洞察之门 在当今时代，数据如同新的石油，蕴藏着巨大的能量。本书将带你深入了解大数据的前沿技术和应用。我们将学习如何运用 Python 强大的数据处理库，如 NumPy 和 Pandas，高效地清洗、转换和分析结构化与半结构化数据。你将学会如何从各种数据源（例如 CSV 文件、数据库，甚至网络爬取的数据）中提取信息，并使用 Matplotlib 和 Seaborn 等可视化工具，将抽象的数据转化为直观易懂的图表，从而更清晰地发现数据中的模式和趋势。 量化交易：将智慧转化为收益 量化交易，简而言之，就是利用数学模型和计算机程序来执行交易策略。这本书将揭开量化交易的神秘面纱，让你理解其核心原理和实战技巧。我们将从基础的金融市场知识入手，讲解如何构建一个简单的交易策略，并利用 Python 来实现自动化交易。你会学习到如何获取历史行情数据，如何设计和回测交易信号，以及如何管理风险。我们还将探讨一些经典的量化交易策略，并展示如何使用 Python 来实现和优化它们。 本书的独特之处： 零起点友好： 即使你从未接触过编程，也能轻松上手。我们将提供清晰的步骤、丰富的示例代码和易于理解的讲解。 理论与实践并重： 我们不仅会讲解理论知识，更会强调动手实践。每一章都配有大量的练习题和项目，让你在实践中巩固所学。 真实案例驱动： 书中将引入大量实际的金融市场数据和量化交易场景，让你学到的知识能够直接应用于解决实际问题。 循序渐进的路径： 从 Python 基础到大数据处理，再到量化交易策略的构建与实现，我们为你规划了一条清晰的学习路径，让你每一步都走得扎实而稳健。 赋能未来： 无论你是金融从业者，希望提升技术能力；还是编程爱好者，想探索新的应用领域；亦或是对投资理财充满热情，想掌握更科学的决策方式，本书都能为你提供宝贵的知识和技能。 你将收获什么？ 通过学习《零起点 Python 大数据与量化交易》，你将能够： 熟练掌握 Python 编程基础，为进一步深入学习打下坚实基础。 运用 Pandas 和 NumPy 等库，高效处理和分析海量数据。 利用数据可视化技术，清晰地展示数据洞察。 理解量化交易的基本原理，并能够构建和回测简单的交易策略。 掌握使用 Python 实现自动化交易的基本方法。 培养数据驱动的投资思维，做出更明智的决策。 金融市场的未来属于那些善于利用数据和技术的人。《零起点 Python 大数据与量化交易》是你进入这个充满机遇的领域，实现个人财富增长的理想选择。准备好开启你的数据与财富之旅了吗？

评分☆☆☆☆☆

我对《现货 零起点Python大数据与量化交易》这本书的期待，更多地集中在它能否真正地“赋能”读者。在大数据时代，数据已经成为新的石油，而量化交易则是利用数据驱动决策的一种前沿投资方式。很多人都想在这个领域分一杯羹，但往往缺乏有效的工具和方法。《现货 零起点Python大数据与量化交易》的出现，似乎为广大普通投资者提供了一个绝佳的跳板。我非常想了解书中是如何“破壁”的，是如何将Python这个编程语言，变成量化交易的“瑞士军刀”。我想知道，它会不会深入浅出地讲解如何使用Python库，比如Pandas进行数据清洗和处理，NumPy进行数值计算，Matplotlib或Seaborn进行数据可视化，以及更关键的，如何利用Quantopian、zipline等量化交易平台或库来构建和回测交易策略。这本书如果能提供一些真实市场数据分析的案例，或者一些经过验证的交易策略的构建思路，那将是锦上添花。我特别期待书中能引导我理解，在复杂的金融市场中，如何通过数据洞察趋势，如何识别交易机会，以及如何控制风险。如果它真的能让一个零基础的人，通过学习Python，对大数据和量化交易有一个清晰的认知，并能迈出实践的第一步，那么这本书的价值就无法估量。

评分☆☆☆☆☆

这本《现货 零起点Python大数据与量化交易》的书名一开始就吸引了我。作为一名对金融市场和编程都充满好奇但又毫无基础的新手，市面上很多技术类的书籍要么过于晦涩难懂，要么直接跳过了入门阶段，让我望而却步。但“零起点”这三个字，就像一束光，瞬间点燃了我学习的希望。我迫切地想知道，它究竟是如何将Python这个强大的工具，与看似复杂的“大数据”和“量化交易”联系起来，并且能让一个完全没有编程经验的人也能够理解和上手。我期待书中能够用最通俗易懂的语言，解释清楚Python的基本语法、数据类型、控制结构，以及如何利用这些基础知识去处理和分析海量的数据。更重要的是，我希望能看到如何将这些数据分析能力转化为实际的交易策略，比如如何通过Python来获取历史交易数据、如何进行回测、如何构建简单的交易模型等等。这本书的标题让我联想到，它可能会是一次循序渐进的学习之旅，从最简单的概念开始，一步步引导我踏入这个充满机遇和挑战的领域。我非常好奇书中会通过哪些具体的案例和练习，来帮助我巩固所学知识，并且最终能够独立地进行一些初步的量化交易尝试。

评分☆☆☆☆☆

初次看到《现货 零起点Python大数据与量化交易》这个书名，我的第一反应是惊喜，接着便是好奇。市场上关于大数据和量化交易的书籍很多，但大多门槛较高，要么是理论堆砌，要么是代码密集，对于像我这样的“小白”来说，确实难以消化。这本书的“零起点”定位，无疑是抓住了痛点。我特别想知道，它究竟是如何从零开始构建知识体系的。是不是会先从Python最基础的安装、环境配置说起，然后逐步过渡到数据结构、算法等核心概念？在数据处理方面，是否会介绍如何获取不同来源的数据，如何清洗、整理和分析这些数据，比如如何利用Python进行股票价格、交易量等数据的统计分析？更让我期待的是，书中是否会讲解如何将这些数据分析能力，与量化交易策略联系起来。例如，如何通过Python代码实现一些经典的交易信号，比如移动平均线交叉、RSI超卖超买等，并进行回测来评估策略的有效性？书中是否会提供一些易于理解的图表和实例，来帮助我这个初学者更好地掌握这些复杂的概念？如果这本书真的能让我看到一个清晰的学习路径，从入门到能够初步构建一个量化交易模型，那将是一次非常宝贵的学习经历。

评分☆☆☆☆☆

《现货 零起点Python大数据与量化交易》这个书名，给我的感觉是它提供了一条通往金融科技前沿的捷径。我一直对利用技术手段进行投资很感兴趣，但苦于自身编程和金融知识的不足。这本书的标题，尤其是“零起点”这三个字，让我看到了希望。我非常想了解，书中是如何将Python这个强大的编程语言，与“大数据”和“量化交易”这两个相对高深的领域结合起来的。它会不会从Python的入门知识开始，比如变量、数据类型、循环、函数等，然后逐步深入到如何利用Python处理和分析金融数据？我期待书中能够提供一些关于数据获取、清洗、特征工程的实用技巧，并且能够指导我如何利用Pandas、NumPy等库进行高效的数据操作。更重要的是，我希望这本书能够清晰地阐述量化交易的基本原理，以及如何使用Python来构建、回测和优化交易策略。有没有一些实际的案例，比如利用Python分析股票的K线图，或者构建一个简单的趋势跟踪策略？这本书如果能让我明白，普通人如何通过学习Python，也能在金融市场中找到属于自己的“数据驱动”的交易方式，那么它将是一本我绝对不能错过的宝典。

评分☆☆☆☆☆

这本《现货 零起点Python大数据与量化交易》的书名，让我这个对量化投资充满向往，但又对编程望而却步的人，看到了曙光。“零起点”三个字，直接击中了我的痛点。我迫切地想知道，它究竟是如何将Python这个看起来很专业的工具，变得如此易于上手，并且能够与“大数据”和“量化交易”这样听起来颇具挑战性的领域结合起来。我期待书中能够从最基础的Python安装和环境配置开始，用最平实的语言，引导我逐步理解变量、数据类型、条件语句、循环等编程基础。更重要的是，我希望它能教会我如何利用Python来处理金融数据，比如如何获取股票的日线、分钟线数据，如何进行数据清洗、整理，如何进行一些基本的数据可视化，用图表来直观地展现数据规律。关于量化交易的部分，我最期待的是它能清晰地解释量化交易的基本逻辑，以及如何将Python编程与交易策略的构建联系起来。书中是否会提供一些简单易懂的量化交易策略示例，比如基于均线的交易策略，或者基于技术指标的交易策略，并且能指导我如何用Python进行回测，来验证策略的有效性？如果这本书真的能让我这个“小白”蜕变成一个能够初步运用Python进行数据分析和量化交易的实践者，那它的价值将不可估量。