新書推薦：
《
邓正来著作集（全9册）
》
售價：NT$
8893.0
《
努斯：希腊罗马哲学研究（第6辑）--逻辑、同异与辩证法
》
售價：NT$
381.0
《
碳交易与碳金融基础（彭玉镏）
》
售價：NT$
269.0
《
当下的骰子--福柯的光与影
》
售價：NT$
493.0
《
数字经济蓝皮书：全球数字经济竞争力发展报告（2023）
》
售價：NT$
885.0
《
中国燃料电池汽车产业实践：政策、技术、建议及展望 中国汽车技术研究中心有限公司
》
售價：NT$
773.0
《
烘焙星球 阿木的手作烘焙日记
》
售價：NT$
493.0
《
WebGIS原理及开发——基于开源框架的WebGIS技术
》
售價：NT$
442.0
|
| 內容簡介： |
|
全书内容分为三篇。第1篇为基础篇，主要介绍量化投资与数据挖掘的关系，以及数据挖掘的概念、实现过程、主要内容、主要工具和MATLAB的快速入门操作技巧等。第2篇为技术篇，系统介绍了数据挖掘的相关技术及这些技术在量化投资中的应用，主要包括数据的准备、数据的探索、关联规则方法、数据回归方法、分类方法、聚类方法、预测方法、诊断方法、时间序列方法、智能优化方法等内容。第3篇为实践篇，主要介绍数据挖掘技术在量化投资中的综合应用实例，包括统计套利策略的挖掘与优化、配对交易策略的挖掘与实现、基于Wind数据的程序化交易、基于Quantrader平台的量化投资、趋势跟踪策略及实现过程，以及基于数据挖掘技术的量化交易系统的构建。本书的读者对象为从事投资、数据挖掘、数据分析、数据管理工作的专业人士；金融、经济、管理、统计等专业的教师和学生；希望学习MATLAB的广大科研人员、学者和工程技术人员。
|
| 關於作者： |
|
卓金武，MathWorks中国高级工程师，教育业务总监；专著五部：《MATLAB数学建模方法与实践》（第三版），《量化投资：MATLAB数据挖掘技术与实践》,《大数据挖掘：系统方法与实例分析》, 《MATLAB时间序列方法与实践》， 《MATLAB高等数学分析》；译著一部：《MATLAB工程计算（原书第3版）》。
|
| 目錄：
|
第1篇 基础篇
第1章 绪论 2
1.1 量化投资与数据挖掘的关系 2
1.1.1 什么是量化投资 2
1.1.2 量化投资的特点 3
1.1.3 量化投资的核心量化模型 4
1.1.4 量化模型的主要产生方法数据
挖掘 6
1.2 数据挖掘的概念和原理 7
1.2.1 什么是数据挖掘 7
1.2.2 数据挖掘的原理 8
1.3 数据挖掘在量化投资中的应用 9
1.3.1 宏观经济分析 9
1.3.2 估价 11
1.3.3 量化选股 11
1.3.4 量化择时 11
1.3.5 算法交易 12
1.4 本章小结 13
参考文献 13
第2章 数据挖掘的内容、过程及
工具 14
2.1 数据挖掘的内容 14
2.1.1 关联 14
2.1.2 回归 15
2.1.3 分类 16
2.1.4 聚类 17
2.1.5 预测 18
2.1.6 诊断 19
2.2 数据挖掘的过程 20
2.2.1 数据挖掘过程的概述 20
2.2.2 目标的定义 20
2.2.3 数据的准备 21
2.2.4 数据的探索 22
2.2.5 模型的建立 24
2.2.6 模型的评估 27
2.2.7 模型的部署 28
2.3 数据挖掘工具 29
2.3.1 MATLAB 29
2.3.2 SAS 30
2.3.3 SPSS 31
2.3.4 WEKA 32
2.3.5 R 33
2.3.6 工具的比较与选择 34
2.4 本章小结 35
参考文献 35
第3章 MATLAB快速入门及
实用技巧 36
3.1 MATLAB快速入门 36
3.1.1 MATLAB概要 36
3.1.2 MATLAB的功能 37
3.1.3 快速入门案例 38
3.1.4 入门后的提高 45
3.2 MATLAB常用技巧 45
3.2.1 常用标点的功能 45
3.2.2 常用操作指令 45
3.2.3 指令编辑操作键 46
3.2.4 MATLAB中的数据类型 46
3.3 MATLAB的开发模式 47
3.3.1 命令行模式 47
3.3.2 脚本模式 47
3.3.3 面向对象模式 47
3.3.4 三种模式的配合 48
3.4 本章小结 48
第2篇 技术篇
第4章 数据的准备 51
4.1 数据的收集 51
4.1.1 认识数据 51
4.1.2 数据挖掘的数据源 52
4.1.3 数据抽样 53
4.1.4 量化投资的数据源 54
4.1.5 从雅虎获取交易数据 56
4.1.6 从大智慧获取公司财务数据 58
4.1.7 从Wind中获取高质量数据 59
4.2 数据质量分析 61
4.2.1 数据质量分析的必要性 61
4.2.2 数据质量分析的目的 61
4.2.3 数据质量分析的内容 61
4.2.4 数据质量分析的方法 62
4.2.5 数据质量分析的结果及应用 66
4.3 数据预处理 66
4.3.1 为什么需要数据预处理 66
4.3.2 数据预处理的主要任务 67
4.3.3 数据清洗 68
4.3.4 数据集成 71
4.3.5 数据归约 72
4.3.6 数据变换 73
4.4 本章小结 74
参考文献 75
第5章 数据的探索 76
5.1 衍生变量 77
5.1.1 衍生变量的定义 77
5.1.2 变量衍生的原则和方法 77
5.1.3 常用的股票衍生变量 78
5.1.4 评价型衍生变量 82
5.1.5 衍生变量数据的收集与集成 83
5.2 数据的统计 84
5.2.1 基本描述性统计 85
5.2.2 分布描述性统计 86
5.3 数据可视化 86
5.3.1 基本可视化方法 86
5.3.2 数据分布形状可视化 87
5.3.3 数据关联情况可视化 89
5.3.4 数据分组可视化 90
5.4 样本选择 91
5.4.1 样本选择的方法 91
5.4.2 样本选择应用实例 91
5.5 数据降维 93
5.5.1 主成分分析（PCA）的基本原理 93
5.5.2 PCA应用实例：企业综合实力
排序 96
5.5.3 相关系数降维 98
5.6 本章小结 99
第6章 关联规则方法 101
6.1 关联规则概要 101
6.1.1 关联规则的提出背景 101
6.1.2 关联规则的基本概念 102
6.1.3 关联规则的分类 103
6.1.4 关联规则挖掘常用算法 104
6.2 Apriori算法 104
6.2.1 Apriori算法的基本思想 104
6.2.2 Apriori算法的步骤 105
6.2.3 Apriori算法的实例 105
6.2.4 Apriori算法的程序实现 107
6.2.5 Apriori算法的优缺点 110
6.3 FP-Growth算法 110
6.3.1 FP-Growth算法的步骤 110
6.3.2 FP-Growth算法的实例 111
6.3.3 FP-Growth算法的优缺点 113
6.4 应用实例：行业关联选股法 113
6.5 本章小结 114
参考文献 115
第7章 数据回归方法 116
7.1 一元回归 117
7.1.1 一元线性回归 117
7.1.2 一元非线性回归 120
7.1.3 一元多项式回归 124
7.2 多元回归 125
7.2.1 多元线性回归 125
7.2.2 多元多项式回归 127
7.3 逐步回归 130
7.3.1 逐步回归的基本思想 130
7.3.2 逐步回归的步骤 131
7.3.3 逐步回归的MATLAB方法 131
7.4 逻辑斯蒂回归 133
7.4.1 逻辑斯蒂回归模型 133
7.4.2 逻辑斯蒂回归实例 134
7.5 应用实例：多因子选股模型的
实现 136
7.5.1 多因子模型的基本思想 136
7.5.2 多因子选股模型的实现 137
7.6 本章小结 140
第8章 分类方法 141
8.1 分类方法概要 141
8.1.1 分类的概念 141
8.1.2 分类的原理 142
8.1.3 常用的分类方法 143
8.2 K-近邻分类 143
8.2.1 K-近邻分类的原理 143
8.2.2 K-近邻分类的实例 145
8.2.3 K-近邻分类的特点 147
8.3 贝叶斯分类 147
8.3.1 贝叶斯分类的原理 147
8.3.2 朴素贝叶斯分类的原理 148
8.3.3 朴素贝叶斯分类的实例 150
8.3.4 朴素贝叶斯分类的特点 150
8.4 神经网络 151
8.4.1 神经网络的原理 151
8.4.2 神经网络的实例 153
8.4.3 神经网络的特点 153
8.5 逻辑斯蒂分类 154
8.5.1 逻辑斯蒂分类的原理 154
8.5.2 逻辑斯蒂分类的实例 154
8.5.3 逻辑斯蒂分类的特点 154
8.6 判别分析 155
8.6.1 判别分析的原理 155
8.6.2 判别分析的实例 156
8.6.3 判别分析的特点 156
8.7 支持向量机（SVM） 156
8.7.1 SVM的基本思想 157
8.7.2 SVM的理论基础 157
8.7.3 SVM的实例 159
8.7.4 SVM的特点 160
8.8 决策树 160
8.8.1 决策树的基本概念 160
8.8.2 决策树建构的步骤 161
8.8.3 决策树的实例 164
8.8.4 决策树的特点 164
8.9 分类的评判 165
8.9.1 正确率 165
8.9.2 ROC曲线 166
8.10 应用实例：分类选股法 168
8.10.1 实例背景 168
8.10.2 实现方法 169
8.11 延伸阅读：其他分类方法 171
8.12 本章小结 172
第9章 聚类方法 173
9.1 聚类方法概要 173
9.1.1 聚类的概念 173
9.1.2 类的度量方法 175
9.1.3 聚类方法的应用场景 176
9.1.4 聚类方法的分类 177
9.2 K-means聚类 177
9.2.1 K-means算法的原理和步骤 177
9.2.2 K-means聚类实例1：自主编程 178
9.2.3 K-means聚类实例2：集成函数 180
9.2.4 K-means算法的特点 183
9.3 层次聚类 183
9.3.1 层次聚类的原理和步骤 183
9.3.2 层次聚类的实例 185
9.3.3 层次聚类的特点 187
9.4 神经网络聚类 187
9.4.1 神经网络聚类的原理和步骤 187
9.4.2 神经网络聚类的实例 187
9.4.3 神经网络聚类的特点 188
9.5 模糊C均值（FCM）方法 188
9.5.1 模糊C均值的原理和步骤 188
9.5.2 模糊C均值方法的应用实例 189
9.5.3 模糊C均值算法的特点 190
9.6 高斯混合聚类方法 190
9.6.1 高斯混合聚类的原理和步骤 190
9.6.2 高斯聚类的实例 192
9.6.3 高斯聚类的特点 193
9.7 类别数的确定方法及实例 193
9.7.1 类别数的确定方法 193
9.7.2 类别数的确定实例 194
9.8 应用实例：股票聚类分池 196
9.8.1 聚类的目标和数据描述 196
9.8.2 实现过程 196
9.8.3 结果及分析 198
9.9 延伸阅读 199
9.9.1 目前聚类分析研究的主要内容 199
9.9.2 SOM智能聚类算法 200
9.10 本章小结 201
参考文献 201
第10章 预测方法 202
10.1 预测方法概要 202
10.1.1 预测的概念 202
10.1.2 预测的基本原理 202
10.1.3 量化投资中预测的主要内容 203
10.1.4 预测的准确度评价及影响因素 204
10.1.5 常用的预测方法 205
10.2 灰色预测 206
10.2.1 灰色预测的原理 206
10.2.2 灰色预测的实例 208
10.3 马尔可夫预测 209
10.3.1 马尔可夫预测的原理 209
10.3.2 马尔可夫过程的特性 210
10.3.3 马尔可夫预测的实例 211
10.4 应用实例：大盘走势预测 214
10.4.1 数据的选取及模型的建立 214
10.4.2 预测过程 216
10.4.3 预测结果与分析 216
10.5 本章小结 217
参考文献 218
第11章 诊断方法 219
11.1 离群点诊断概要 219
11.1.1 离群点诊断的定义 219
11.1.2 离群点诊断的作用 220
11.1.3 离群点诊断方法的分类 221
11.2 基于统计的离群点诊断 221
11.2.1 理论基础 221
11.2.2 应用实例 223
11.2.3 优点与缺点 224
11.3 基于距离的离群点诊断 225
11.3.1 理论基础 225
11.3.2 应用实例 226
11.3.3 优点与缺点 227
11.4 基于密度的离群点诊断 227
11.4.1 理论基础 227
11.4.2 应用实例 228
11.4.3 优点与缺点 229
11.5 基于聚类的离群点诊断 230
11.5.1 理论基础 230
11.5.2 应用实例 230
11.5.3 优点与缺点 232
11.6 应用实例：离群点诊断量化
择时 232
11.7 延伸阅读：新兴的离群点挖掘诊断
方法 233
11.7.1 基于关联的离群点挖掘 233
11.7.2 基于粗糙集的离群点挖掘 2
|
| 內容試閱：
|
前言|
中国金融业飞速发展，尤其是2010年股指期货的推出，使得量化投资和对冲基金逐步进入国内投资者的视野。2012年丁鹏博士所著的《量化投资策略与技术》出版后，更是推动了量化投资技术在国内的普及。目前，量化投资、对冲基金已经成为中国资本市场热门的话题之一，各投资机构纷纷开始着手打造各自的量化投资精英团队。
量化投资将投资理念及策略通过具体指标、参数的设计融入具体的模型中，用模型对市场进行不带任何情绪的跟踪，简单而言，就是用数量化的方法对股票、期货等投资对象进行估值，选取合适的对象进行投资。目前，量化投资的书籍主要集中在模型、策略及工具的使用上，但关于如何产生这些量化模型、量化策略的书籍的确非常少。金融市场瞬息万变，为了更好地进行量化投资，我们要不断去验证既有模型的有效性，同时要想在金融行业保持自己的竞争力，又必须不断开发新的模型，而验证模型、开发模型这些量化投资的主要内容都需要数据的支撑。另外，金融领域是数据资源保存较好且较为丰富的行业，在金融领域已经积累了大量的数据，同时每天还在产生大量的交易数据、价格数据等信息。这些数据资源正好为量化投资提供了很好的数据基础，那么问题的关键就是如何利用金融行业丰富的数据资源更好地进行量化投资。
数据挖掘技术是从数据中挖掘有用知识的一门系统性的技术，刚好解决了数据利用的问题，所以，数据挖掘与量化投资便很自然地结合在一起。但数据挖掘在国内是一个新的领域，所以还没有关于量化投资与数据挖掘相结合的书籍。另外，目前关于数据挖掘的几本书大多数是译著，由于语言和文化的差异，国内读者读起来相对吃力。在这样的背景下，能有一本书介绍如何利用数据挖掘技术进行量化投资还是很好的。
笔者在MathWorks平时的工作职责之一是支持金融客户，相当比例的工作是关于量化投资的，另外的职责是支持其他商业客户的数据挖掘，所以对这两个领域都有一定的了解。在一次研讨会上，丁鹏博士与笔者讨论了数据挖掘在量化投资中的应用，他认为这是个非常好的课题，并建议笔者写一本这样的书。笔者对这个课题也非常感兴趣，于是就开始了本书的创作。
本书的第1版于2015年6月出版，一年内印刷了四次，不少热心的读者发来电子邮件与作者讨论书中的内容，并反馈一些建议和不足。为了回馈读者，也为了让本书质量更好，在原来的基础上修改了一些问题，并加入一些新的内容。
本书内容
全书内容分为三篇。
第1篇为基础篇，主要介绍一些基本概念和知识，包括量化投资与数据挖掘的关系，以及数据挖掘的概念、实现过程、主要内容、主要工具等，并在第3章中介绍了MATLAB快速入门及实用技巧。
第2篇为技术篇，是本书的主体，系统介绍了数据挖掘的相关技术及这些技术在量化投资中的应用实例。这部分又分为如下三个层次：
（1）数据挖掘前期的一些技术，包括数据的准备（收集数据、数据质量分析、数据预处理等）和数据的探索（衍生变量、数据可视化、样本选择、数据降维等）。
（2）数据挖掘的六大类核心方法，包括关联规则、回归、分类、聚类、预测和诊断。对于每类方法，详细介绍了其包含的典型算法，包括基本思想、应用场景、算法步骤、MATLAB实现程序。同时，对每类方法还介绍了一个在量化投资中的应用案例，以强化这些方法在量化投资中的实用性。
（3）数据挖掘中特殊的实用技术，包含两章内容，一是关于时序数据挖掘的时间序列方法，二是关于优化的智能优化方法。这个层次也是数据技术体系中不可或缺的技术。时序数据是数据挖掘中的一类特殊数据，并且金融数据往往具有时序性，所以针对该类特殊的数据，介绍了时间序列方法。另外，数据挖掘离不开优化，量化投资也离不开优化，所以又以一章介绍了两种比较常用的智能优化方法遗传算法和模拟退火算法。
第3篇为实践篇，主要介绍数据挖掘技术在量化投资中的综合应用实例，包括统计套利策略的挖掘与优化、配对交易策略的挖掘与实现、基于Wind数据的程序化交易、基于Quantrader平台的量化投资、趋势跟踪策略及实现过程。最后一章基于数据挖掘技术的量化交易系统，给出了集成主流数据挖掘技术的量化投资系统的框架。读者可以利用该框架，依据书中介绍的数据挖掘技术，结合自己的情况，开发出属于自己的量化交易系统，从而轻松实现从理论到实践的跨越，更好地利用数据挖掘技术在量化投资领域乘风破浪，不断创造佳绩。
本书特色
纵观全书，可发现本书的特点鲜明，主要表现在如下几方面。
（1）方法务实，学以致用。本书介绍的方法都是数据挖掘中的主流方法，都经过实践的检验，具有较强的实践性。对于每种方法，本书都给出了完整、详细的源代码，这对读者来说，具有非常大的参考价值，很多程序可供读者直接套用并加以学习，读者可以将其直接转化为自己的量化投资实战工具。
（2）知识系统，易于理解。本书的知识体系应该是当前数据挖掘书籍中较全、较完善的，不仅包含详细的数据挖掘流程、数据准备方法、数据探索方法，还包含六大类数据挖掘核心方法、时序数据挖掘方法、智能优化方法。正因为有完整的知识体系，读者读起来才有很好的完整感，更利于读者理解数据挖掘的知识体系，这对于读者学习本书内容非常有帮助。
（3）结构合理，易于学习。在讲解方法时，由浅入深，循序渐进，让初学者知道入门的切入点，让专业人员又有值得借鉴的干货。基础篇、技术篇和实践篇的结构部署也让本书独树一帜，让读者在学习数据挖掘和量化投资的过程中有一个循序渐进的过程，使读者在短时间内成为一位数据挖掘高手，同时成为一位量化投资高手。
（4）案例实用，易于借鉴。绝大多数案例是量化投资领域的实例。所以，纵观全书，本书都在有意引导读者思考如何让数据挖掘在量化投资中产生更实际的价值。
（5）主线明晰，脉络分明。本书涉及的知识面宽广，以数据挖掘和量化投资为中心，辐射银行、债券、营销、零售等领域和学科。为了与书中主线保持一致，对于这些领域的介绍虽然只是略微带过，但是从侧面折射出了数据挖掘技术真的正在广泛服务于社会各个领域。在现代社会，某学科单打独斗的时代已经过去了，本书在无形之中已经树立了一个意识：各学科的知识之间是相通的，运用知识的最高境界是各学科知识的大融合。
（6）理论与实践相得益彰。对于本书的每种方法，除理论的讲解外，都配有一个典型的应用案例，读者可以通过案例加深对理论的理解，同时理论也让案例的应用更有信服力。本书对技术的介绍都以实现为目的，同时提供大量技术实现的源程序，方便读者学习，注重实践和应用，秉承笔者务实、贴近读者的写作风格。
（7）内容独特，趣味横生。本书的很多方法和内容是同类书籍所没有的，这无疑增强了本书的新颖性和趣味性。
（8）文字简洁、明了，易于阅读。本书在保证描述精准的前提下，摒弃那些刻板、索然无味的文字，让文字充满活力，更易于阅读。
读者对象
? 从事投资工作的专业人士，包括证券、基金、私募、信托、银行、保险等领域的从业者。
? 从事数据挖掘、数据分析、数据管理工作的专业人士。
? 金融、经济、管理、统计等专业的教师和学生。
? 从事量化投资或数据挖掘方向研究的科研工作者。
? 希望学习MATLAB的工程师或科研工作者。因为本书的代码都是用MATLAB编写的，所以对于希望学习MATLAB的读者来说，本书也是一本很好的参考书。
致专业人士
对于从事量化投资工作的专业人士来说，书中的数据挖掘技术是值得借鉴的技术，至少会有助于挖掘量化策略。书中的实例都具有一定的实战背景，含有一些数据挖掘层面的策略，大家可以尝试将这些技术和策略融入自己的思想和策略中，让自己的策略更强大。另外，对于书中介绍的各种方法的理论，如果你有很好的数学或计算机背景，且有时间或感兴趣，可以认真阅读，否则理论部分可以直接跳过。但是，对于每种方法的思想和应用场景，读者一定要领悟，这样当遇到合适的场景后，读者可以马上想到用哪种方法，然后直接借鉴书中的源代码即可轻松地将这些方法应用到自己的量化投资实践中。
对于从事数据挖掘工作的专业人士来说，大家可以关注整个数据挖掘知识体系和数据挖掘的流程，因为本书的数据挖掘知识体系在当前数据挖掘书籍中是比较全面和完善的。
致教师
本书系统地介绍了数据挖掘技术的理论、方法和案例，可以作为金融、经济、管理、统计等学科的本科生专业教材或研究生教材。相比一般的数据挖掘教材，本书更容易激发学生的学习兴趣。兴趣是最好的老师，这对开展教学是非常有利的。
书中的内容虽然系统，但也相对独立，教师可以根据课程的学时安排和专业方向的侧重，选择合适的内容进行课堂教学，其他内容则可以作为参考章节。授课部分，一般包含第一篇的3章和第二篇的前8章，总共11章内容，如果课时较多，则可以增加其他章节，包括后面案例的学习内容。
在进行课程备课的过程中，如果您需要书中的一些电子资料作为课件或授课支撑材料，可以直接给笔者发电子邮件（70263215@qq.com）说明您需要的材料和用途，笔者会根据具体情况，为您提供力所能及的帮助。
致学生
作为21世纪的大学生，无论是什么专业背景，都有必要学习数据挖掘和量化投资，原因如下：
第一，21世纪的信息非常丰富，很多都以数据形式存在，学习并掌握数据挖掘技术，有助于我们从更深层次了解这个社会，也有助于我们解决工作中遇到的问题。
第二，现代人无论从事什么工作，都应具有一定的投资意识和投资能力。21世纪是和平而充满竞争的时代，失业对每个人来说都有可能发生，当我们失业的时候怎么办？如果懂得投资，那么至少让自己生活得很好是没有问题的。特别喜欢一句话，喜欢做一名宽客，是因为可以自己掌握命运，这里的宽客就是指从事量化投资的人士。
所以，读者无论现在学习什么专业，都应好好读一下这本书或同类的书籍。相信读者一定会因为曾学习过数据挖掘和量化投资而备感欣慰！
资源下载方式
（一）配套程序和数据
为了方便读者的学习，我们将提供书中使用的程序和数据，下载地址为：http：www. ilovematlab.cnthread-486
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
