MXNet神经网络与量化投资

　　MXNet是亚马xun的深度学习库，以简单、高效、容易使用而著称。它拥有类似于Theano和TensorFlow的数据流图，为多GPU装置提供了良好的配置。《MXNet神经网络与量化投资》以MXNet作为研究实践平台，实现量化投资交易。书中主要介绍了在MXNet环境下，利用深度学习常用算法，实现线性、MLP、CNN卷积、GoogLeNet、ResNet深度残差、RNN循环神经网络、DenseNet稠密神经网络等多种模型在量化投资和股价预测方面的应用，同时采用NLP语义分析技术，対股票价格走势进行统计分析，以及金融数据的可视化分析，得到更直观的模型分析效果，通过先进的人工智能模型，在量化投资领域中取得较高收益。

　　集人工智能前沿智慧之大成，创优秀经典案例之典范。

　　《MXNet神经网络与量化投资》以MXNet作为研究实践平台，利用数学模型，借助计算机技术实现量化交易，能够让你快速入门人工智能技术，用实战提升业务水平，助你在金融科技领域胜人一筹。

　　人工智能的迅速发展将深刻改变人类的社会生活，也将改变世界。为抢抓人工智能发展的重大战略机遇，构筑我国人工智能发展的优势，加快建设创新型国家和世界科技强国，2017年7月8日，国务院发布了《新一代人工智能发展规划》通知。不少人跃跃欲试，想投入AI的怀抱，但苦于不知如何下手。先从人工智能说起，人工智能的核心是机器学习，其应用遍及人工智能的各个领域。金融是百业之王，量化交易利用数学模型，借助计算机技术，从海量的历史数据中发现能带来超额收益的多种“大概率”事件以制定策略，实现稳定收益，借助人工智能的先进算法，实现人工智能在量化交易领域的应用。

　　我们知道主观交易与量化交易都是依据市场逻辑进行交易的一套体系。主观交易的逻辑依据复杂繁多，如国际政治环境、个股新闻等，而量化交易更多的是对数据进行分析，“无数据不量化”，说明数据对于量化交易分析的重要性。由于交易数据量较大，需要大量的计算，因此采用专业的平台进行分析有利于高效、快速地实现量化交易策略。MXNet是亚马逊（Amazon）的深度学习库，以简单高效、容易使用著称。

　　MXNet拥有类似于Theano和TensorFlow的数据流图，为多GPU装置提供了良好的配置。本书以MXNet作为研究实践平台，实现量化交易，主要介绍了在MXNet环境下，利用深度学习常用算法，实现线性、MLP、CNN卷积、GoogLeNet、ResNet深度残差、RNN循环神经网络、DenseNet稠密神经网络等多种模型在量化和股价预测方面的应用，同时采用文本数据挖掘技术实现对某一时间段一部分人对股票价格未来走势的判断的统计分析，以及对金融数据可视化的分析，以得到更直观的模型分析效果。通过学习，可以迅速掌握常见的经典策略，掌握人工智能常用的算法，快速提高编写量化策略的能力，为实现财富自由打下基础。

　　感谢电子工业出版社的黄爱萍编辑在选题策划和稿件整理方面做出的大量工作，感谢郭伟对本书的支持，同时感谢极宽量化开源团队提供的技术支持。

第1章 快速入门 1

1.1 MXNet简介 1

1.2 CUDA运行环境安装 4

1.3 MXNet运行环境安装 5

1.3.1 下载MXNet模块库 6

1.3.2 安装MXNet模块库预处理 6

1.3.3 安装MXNet模块库 9

案例1-1：重点模块版本测试 10

案例1-2：MXNet安装包测试 12

1.4 GPU开发环境测试 13

案例1-3：GPU开发环境测试 13

1.5 量化GPU工作站推荐配置 15

第2章 基本操作 18

2.1 NDArray数组 18

案例2-1：NDArray数组常用功能 19

2.2 GPU加速模式 26

案例2-2：GPU加速功能 26

案例2-3：Gluon的GPU计算 28

2.3 Matplotlib画图 30

案例2-4：Matplotlib常用功能 30

案例2-5：多子图绘制 31

2.4 常用数据文件 33

案例2-6：读取金融数据 33

2.5 TA-Lib金融模块库 36

2.6 MA移动平均线 40

案例2-7：MA均线指标 41

案例2-8：多MA均线指标 44

2.7 常用工具函数包 47

第3章 数据预处理 53

3.1 数据与预处理背景介绍 53

3.2 数据预处理常用技术 54

3.3 归一化 55

案例3-1：MinMaxScaler归一化 56

案例3-2：Standardization标准化 57

3.4 缺失值 58

案例3-3：Imputer缺失值补充 59

3.5 多项式特征 60

案例3-4：PolynomialFeatures多项式特征 60

第4章 线性神经网络模型 62

4.1 线性神经网络 62

案例4-1：line上证指数n+1价格预测 64

4.2 Logistic逻辑回归模型 76

案例4-2：Logistic上证指数涨跌预测 78

第5章 MLP神经网络模型 86

5.1 MLP多层感知器 86

案例5-1：MLP上证指数n+1价格预测 88

5.2 SMA简单均线量化策略 99

案例5-2：MLP上证指数n+1价格预测均线增强版 99

第6章 CNN卷积神经网络 104

6.1 CNN卷积神经网络简介 104

常用激活函数介绍 106

案例6-1：CNN上证指数n+1价格预测 109

6.2 ADX平均趋向量化投资策略 115

案例6-2：CNN上证指数n+1价格预测ADX增强版 116

第7章 GoogLeNet谷歌神经网络模型 121

7.1 GoogLeNet谷歌深度卷积神经网络模型 121

案例7-1：GoogLeNet上证指数n+1价格预测 123

7.2 KELCH肯特纳通道量化投资策略 135

案例7-2：GoogLeNet上证指数n+1价格预测（2） 135

第8章 ResNet深度残差网络模型 139

8.1 ResNet深度残差神经网络模型 139

8.2 Money Flow资金流向指标 142

案例8-1：ResNet深度残差时间序列预测A股资金流向 144

8.3 MOM动量线量化投资策略 149

第9章 RNN循环神经网络模型 150

9.1 RNN循环神经网络 150

9.2 RSI相对强弱指标 152

案例9-1：RNN上证指数n+1价格预测 153

9.3 IRNN修正循环神经网络 174

案例9-2：IRNN上证指数n+1价格预测 174

第10章 DenseNet稠密神经网络模型 178

10.1 DenseNet稠密神经网络模型 178

案例10-1：DenseNet上证指数n+1价格预测 180

10.2 OBV能量潮量化投资策略 187

案例10-2：DenseNet上证指数n+1价格预测 187

第11章 文本数据挖掘与量化 192

11.1 财经新闻数据 192

案例11-1a：获取财经新闻 193

11.2 直播新闻 195

案例11-1b：获取直播新闻 195

11.3 信息地雷 197

案例11-1c：获取信息地雷 198

11.4 定时器 199

案例11-2：进阶脚本——定时器 200

11.5 新闻数据库 206

案例11-3：使用sqlalchemy新闻数据库 206

第12章 财经新闻情感分类 214

12.1 文本数据分类 214

12.2 NLP与财经新闻数据 215

12.3 微博短文本数据情感分类 216

案例12-1：微博情感分类 217

12.4 贝叶斯微博情感分类器 236

案例12-2：微博数据情感分类2 237

第13章 金融数据可视化分析 245

13.1 Plotly绘图模块简介 245

案例13-1：Plotly入门案例 252

案例13-2：线形图与散点图 253

案例13-3：气泡图 255

案例13-4：柱状图 256

案例13-5：直方图 258

案例13-6：饼图 259

13.2 金融数据绘图 261

案例13-7：K线图 261

案例13-8：高级绘图1 263

13.3 Plotly高级绘图扩展 264

案例13-9：复合金融指标 264

案例13-10：高级绘图2 265

附录A Python快速入门 267

案例1：第一次编程“hello,ziwang” 267

案例2：增强版“hello,ziwang” 269

案例3：列举系统模块库清单 271

案例4：常用绘图风格 272

案例5：Pandas常用绘图风格 274

案例6：常用颜色表cors 275

案例7：基本运算 278

案例8：字符串入门 280

案例9：字符串常用方法 281

案例10：列表操作 283

案例11：元组操作 285

案例12：字典操作 286

案例13：控制语句 288

案例14：函数定义 290

附录B TA-Lib金融软件包 292

附录C 量化分析常用指标 297