AI時(shí)代Python量化交易實(shí)戰(zhàn)：ChatGPT讓量化交易插上翅膀

第1章ChatGPT、Python和量化交易概述
1.1 ChatGPT的應(yīng)用領(lǐng)域2
1.2 Python編程在量化交易中的重要性和優(yōu)勢(shì)2
1.3 ChatGPT、Python和量化交易的結(jié)合價(jià)值和應(yīng)用前景3
1.4 本章總結(jié)4
第2章 量化交易Python語(yǔ)言基礎(chǔ)
2.1 Python解釋器6
2.2 IDE工具7
2.2.1 安裝Jupyter Notebook8
2.2.2 啟動(dòng)Jupyter Notebook9
2.3 第一個(gè)Python程序10
2.3.1 編寫腳本文件運(yùn)行第一個(gè)Python程序10
2.3.2 使用Jupyter Notebook編寫和運(yùn)行第一個(gè)Python程序11
2.4 Python語(yǔ)法基礎(chǔ)12
2.4.1 標(biāo)識(shí)符12
2.4.2 關(guān)鍵字12
2.4.3 變量聲明13
2.4.4 語(yǔ)句13
2.4.5 Python代碼塊13
2.4.6 模塊14
2.5 數(shù)據(jù)類型與運(yùn)算符15
2.5.1 數(shù)據(jù)類型15
2.5.2 運(yùn)算符18
2.6 控制語(yǔ)句21
2.6.1 分支語(yǔ)句22
2.6.2 循環(huán)語(yǔ)句24
2.6.3 跳轉(zhuǎn)語(yǔ)句26
2.7 序列27
2.7.1 索引操作 27
2.7.2 序列切片28
2.7.3 可變序列——列表30
2.7.4 不可變序列——元組31
2.7.5 列表推導(dǎo)式32
2.8 集合33
2.8.1 創(chuàng)建集合33
2.8.2 集合推導(dǎo)式34
2.9 字典34
2.9.1 創(chuàng)建字典35
2.9.2 字典推導(dǎo)式35
2.10 字符串類型36
2.10.1 字符串表示方式36
2.10.2 字符串格式化38
2.11 函數(shù)38
2.11.1 匿名函數(shù)與lambda表達(dá)式39
2.11.2 數(shù)據(jù)處理中的兩個(gè)常用函數(shù)41
2.12 文件操作42
文件操作43
2.13 異常處理46
2.13.1 捕獲異常46
2.13.2 釋放資源48
2.14 多線程50
創(chuàng)建線程50
2.15 本章總結(jié)53
第3章 Python量化基礎(chǔ)工具庫(kù)
3.1 NumPy庫(kù)55
3.1.1 為什么選擇NumPy55
3.1.2 安裝NumPy庫(kù)56
3.2 創(chuàng)建數(shù)組56
3.2.1 創(chuàng)建一維數(shù)組56
3.2.2 指定數(shù)組數(shù)據(jù)類型57
3.2.3 創(chuàng)建一維數(shù)組更多方式57
3.2.4 使用arange函數(shù)58
3.2.5 等差數(shù)列與linspace函數(shù)59
3.2.6 等比數(shù)列與logspace函數(shù)61
3.3 二維數(shù)組62
創(chuàng)建二維數(shù)組62
3.4 創(chuàng)建二維數(shù)組更多方式63
3.4.1 使用ones函數(shù)63
3.4.2 使用zeros函數(shù)64
3.4.3 使用empty函數(shù)64
3.4.4 使用full函數(shù)65
3.4.5 使用identity函數(shù)66
3.4.6 使用eye函數(shù)67
3.5 數(shù)組的屬性68
3.6 數(shù)組的軸68
3.7 三維數(shù)組69
3.8 訪問(wèn)數(shù)組69
3.8.1 索引訪問(wèn)69
3.8.2 切片訪問(wèn)71
3.8.3 花式索引73
3.9 Pandas庫(kù)74
3.9.1 為什么選擇Pandas74
3.9.2 安裝Pandas庫(kù)74
3.10 Series數(shù)據(jù)結(jié)構(gòu)75
3.10.1 理解Series數(shù)據(jù)結(jié)構(gòu)75
3.10.2 創(chuàng)建Series對(duì)象75
3.10.3 訪問(wèn)Series數(shù)據(jù)78
3.10.4 通過(guò)下標(biāo)訪問(wèn)Series數(shù)據(jù)78
3.10.5 通過(guò)切片訪問(wèn)Series數(shù)據(jù)79
3.11 DataFrame數(shù)據(jù)結(jié)構(gòu)81
創(chuàng)建DataFrame對(duì)象81
3.12 訪問(wèn)DataFrame數(shù)據(jù)84
3.12.1 訪問(wèn)DataFrame列85
3.12.2 訪問(wèn)DataFrame行85
3.12.3 切片訪問(wèn)86
3.13 讀寫數(shù)據(jù)87
3.13.1 讀取CSV文件數(shù)據(jù)88
3.13.2 案例1：從CSV文件讀取貨幣供應(yīng)量數(shù)據(jù)89
3.13.3 寫入數(shù)據(jù)到CSV文件91
3.13.4 案例2：寫入水果數(shù)據(jù)到CSV文件91
3.13.5 讀取Excel文件數(shù)據(jù)92
3.13.6 案例3：從Excel文件讀取貨幣供應(yīng)量數(shù)據(jù)93
3.13.7 讀取SQL數(shù)據(jù)庫(kù)94
3.13.8 案例4：從數(shù)據(jù)庫(kù)讀取蘋果股票數(shù)據(jù)94
3.14 本章總結(jié)96
第4章 量化交易可視化庫(kù)
4.1 量化交易可視化庫(kù)98
4.2 使用Matplotlib繪制圖表99
4.2.1 安裝Matplotlib99
4.2.2 圖表基本構(gòu)成要素99
4.2.3 繪制折線圖100
4.2.4 繪制柱狀圖101
4.2.5 繪制餅狀圖102
4.2.6 繪制散點(diǎn)圖104
4.2.7 案例1：貴州茅臺(tái)股票歷史成交量折線圖105
4.2.8 案例2：繪制貴州茅臺(tái)股票O(jiān)HLC折線圖106
4.3 K線圖108
4.3.1 繪制K線圖108
4.3.2 案例3：繪制貴州茅臺(tái)股票K線圖109
4.4 使用Seaborn繪制圖表110
4.4.1 箱線圖111
4.4.2 小提琴圖113
4.4.3 關(guān)聯(lián)線圖114
4.4.4 Dist圖115
4.4.5 線性回歸圖116
4.4.6 熱力圖117
4.5 本章總結(jié)119
第5章 數(shù)據(jù)采集與分析
5.1 數(shù)據(jù)采集概述121
5.1.1 數(shù)據(jù)采集的重要性和面臨的挑戰(zhàn)121
5.1.2 數(shù)據(jù)采集的基本步驟121
5.1.3 數(shù)據(jù)采集技術(shù)和工具122
5.2 網(wǎng)頁(yè)數(shù)據(jù)采集122
5.2.1 使用urllib爬取靜態(tài)網(wǎng)頁(yè)數(shù)據(jù)123
5.2.2 案例1：爬取納斯達(dá)克股票數(shù)據(jù)124
5.3 解析數(shù)據(jù)126
5.3.1 使用BeautifulSoup庫(kù)126
5.3.2 案例2：解析納斯達(dá)克股票數(shù)據(jù)127
5.3.3 使用Selenium爬取動(dòng)態(tài)網(wǎng)頁(yè)數(shù)據(jù)131
5.3.4 案例3：爬取搜狐證券貴州茅臺(tái)股票數(shù)據(jù)133
5.3.5 案例4：使用Selenium解析HTML數(shù)據(jù)134
5.4 使用API調(diào)用采集數(shù)據(jù)136
5.4.1 常見的金融數(shù)據(jù)API136
5.4.2 使用TushareAPI采集數(shù)據(jù)137
5.4.3 案例5：使用Tushare API獲取貴州茅臺(tái)股票數(shù)據(jù)138
5.5 數(shù)據(jù)清洗和預(yù)處理140
5.5.1 使用ChatGPT輔助數(shù)據(jù)清洗140
5.5.2 案例6：使用ChatGPT輔助分析股票數(shù)據(jù)141
5.5.3 案例7：處理股票數(shù)據(jù)缺失值問(wèn)題142
5.5.4 案例8：處理股票數(shù)據(jù)類型不一致問(wèn)題145
5.5.5 案例9：處理股票數(shù)據(jù)異常值問(wèn)題146
5.6 統(tǒng)計(jì)分析147
5.6.1 使用ChatGPT輔助統(tǒng)計(jì)分析148
5.6.2 相關(guān)性分析148
5.6.3 案例10：股票行業(yè)相關(guān)性分析149
5.6.4 統(tǒng)計(jì)描述和摘要151
5.6.5 案例11：蘋果股票數(shù)據(jù)統(tǒng)計(jì)描述和摘要分析151
5.7 本章總結(jié)155
第6章 量化交易基礎(chǔ)
6.1 量化交易概述157
6.2 金融市場(chǎng)和交易品種概述157
6.3 技術(shù)分析和基本面分析基礎(chǔ)158
6.3.1 技術(shù)分析158
6.3.2 基本面分析159
6.3.3 利用ChatGPT輔助技術(shù)分析159
6.3.4 案例1:利用ChatGPT對(duì)000001.SZ股票
進(jìn)行技術(shù)分析160
6.3.5 利用ChatGPT輔助基本面分析162
6.3.6 案例2:利用ChatGPT對(duì)某上市公司股票公告進(jìn)行解析162
6.4 量化交易策略概述163
6.4.1 量化交易策略分類164
6.4.2 ChatGPT與量化交易策略164
6.5 本章總結(jié)165
第7章 ChatGPT與量化交易結(jié)合
7.1 ChatGPT在市場(chǎng)情報(bào)分析中的應(yīng)用167
7.1.1 案例1：利用ChatGPT對(duì)“央行發(fā)布降息
25個(gè)基點(diǎn)”消息進(jìn)行分析167
7.1.2 案例2：利用ChatGPT對(duì)“重磅項(xiàng)目獲得批復(fù)，股價(jià)大漲20%”消息進(jìn)行分析168
7.2 使用ChatGPT進(jìn)行市場(chǎng)預(yù)測(cè)和趨勢(shì)識(shí)別169
7.2.1 案例3：使用ChatGPT預(yù)測(cè)某城市商業(yè)地產(chǎn)市場(chǎng)走勢(shì)169
7.2.2 案例4：使用ChatGPT預(yù)測(cè)“新能源汽車補(bǔ)貼退坡”的影響170
7.3 ChatGPT在交易決策支持中的應(yīng)用171
7.3.1 案例5：猛龍科技獲大單，ChatGPT提出交易決策建議 171
7.3.2 案例6：某新能源概念股獲多項(xiàng)利好，ChatGPT提出交易建議172
7.4 本章總結(jié)173
第8章 趨勢(shì)跟蹤策略
8.1 趨勢(shì)跟蹤策略概述176
8.1.1 趨勢(shì)跟蹤和交易決策中的主要概念176
8.1.2 使用移動(dòng)平均線進(jìn)行分析177
8.2 使用ChatGPT輔助趨勢(shì)跟蹤策略決策過(guò)程178
8.3 案例：使用ChatGPT輔助股票移動(dòng)平均線策略分析179
8.3.1 計(jì)算移動(dòng)平均線179
8.3.2 K線圖184
8.3.3 合并K線圖和移動(dòng)平均線圖186
8.3.4 初始策略規(guī)則187
8.3.5 繪制價(jià)格和信號(hào)圖表189
8.3.6 使用ChatGPT輔助回測(cè)190
8.3.7 優(yōu)化策略191
8.4 本章總結(jié)192
第9章 動(dòng)量策略
9.1 動(dòng)量策略概述194
9.1.1 動(dòng)量策略中的主要概念194
9.1.2 動(dòng)量策略的優(yōu)點(diǎn)和限制195
9.2 相對(duì)強(qiáng)弱指標(biāo)195
9.3 使用ChatGPT輔助動(dòng)量策略決策過(guò)程196
9.4 案例：使用ChatGPT輔助貴州茅臺(tái)股票價(jià)格和RSI交易信號(hào)分析196
9.4.1 數(shù)據(jù)獲取和準(zhǔn)備數(shù)據(jù)197
9.4.2 RSI指標(biāo)計(jì)算199
9.4.3 RSI指標(biāo)曲線201
9.4.4 交易信號(hào)生成202
9.4.5 可視化分析203
9.5 本章總結(jié)205
第10章 海龜交易策略
10.1 海龜交易策略概述207
10.1.1 海龜交易策略中的主要概念207
10.1.2 實(shí)施海龜交易策略208
10.2 使用ChatGPT輔助實(shí)施海龜交易策略208
10.3 案例：使用ChatGPT輔助實(shí)施海龜交易策略（以中石油為例）209
10.3.1 數(shù)據(jù)獲取和準(zhǔn)備數(shù)據(jù)209
10.3.2 編寫海龜交易策略程序214
10.3.3 可視化分析217
10.3.4 使用ChatGPT輔助結(jié)果化分析219
10.4 本章總結(jié)220
第11章 高頻交易策略
11.1 高頻交易策略概述222
11.2 高頻交易策略中的主要概念222
11.2.1 實(shí)施高頻交易策略223
11.2.2 高頻交易策略中常見的算法策略223
11.2.3 高頻交易策略技術(shù)、設(shè)施層面問(wèn)題224
11.3 使用ChatGPT輔助實(shí)施高頻交易策略過(guò)程224
案例1：使用ChatGPT輔助實(shí)施高頻交易策略225
11.4 案例2：基于價(jià)差的高頻交易策略實(shí)施過(guò)程228
11.5 案例3：打造自己的高頻交易系統(tǒng)231
11.6 本章總結(jié)234
第12章 套利策略
12.1 套利策略中的主要概念236
實(shí)施套利策略237
12.2 使用ChatGPT輔助實(shí)施套利策略237
12.3 案例1：股票A和跨市場(chǎng)套利238
12.4 案例2：利用美元與歐元匯率差異來(lái)套利239
12.5 案例3：同行業(yè)相對(duì)值套利策略240
12.6 案例4：中國(guó)石油和中國(guó)石化配對(duì)交易套利過(guò)程241
12.6.1 清洗數(shù)據(jù)241
12.6.2 讀取股票數(shù)據(jù)242
12.6.3 兩只股票相關(guān)性分析243
12.6.4 使用ChatGPT對(duì)相關(guān)性進(jìn)行分析244
12.6.5 回測(cè)股票歷史數(shù)據(jù)245
12.6.6 使用ChatGPT對(duì)回測(cè)結(jié)果進(jìn)行分析247
12.7 本章總結(jié)248
第13章 機(jī)器學(xué)習(xí)策略
13.1 機(jī)器學(xué)習(xí)策略中的主要概念250
13.2 機(jī)器學(xué)習(xí)策略分類250
13.3 分類策略251
13.3.1 Python機(jī)器學(xué)習(xí)庫(kù)251
13.3.2 機(jī)器學(xué)習(xí)策略實(shí)施過(guò)程252
13.3.3 案例1：使用分類策略預(yù)測(cè)蘋果股票走勢(shì)253
13.3.4 案例2：使用回歸策略預(yù)測(cè)蘋果股票走勢(shì)259
13.4 本章總結(jié)266