Python算法交易

虽然算法交易曾经是机构参与者的专属领域，但是现在已经开放给了使用在线平台的小型组织和个人交易者。今天Python及其强大的软件包生态系统是许多交易者首选的工具。在这本非常实用的书中，本书作者向学生、学者及从业者展示了如何在有趣的算法交易领域使用Python。

你将学习几种在不同方面应用Python进行算法交易的方法，例如如何回测交易策略，以及如何与在线交易平台交互。一些非常大的买方和卖方机构都大量使用Python。通过探索系统地构建和部署自动算法交易策略，本书将帮助你实现公平竞争。

专家推荐
“很高兴看到Yves Hilpisch的作品，他把Python和云计算的复合技术跟统计和机器学习进行了融合，来捕捉金融市场的正回报。”
——McKlayne Marshal
算法交易企业家

本书的主要内容有：为算法交易配置合适的Python环境。了解如何从公共和专有数据源检索金融数据。使用NumPy和pandas探索金融分析的矢量化。掌握不同算法交易策略的矢量化回测。使用机器学习和深度学习生成市场预测。使用套接字编程工具对流数据进行实时处理。使用OANDA和FXCM交易平台实施自动算法交易策略。

Yves J. Hilpisch是The Al Machine和The Python Quants两个组织的创始人兼首席执行官，这个组织专注于在金融数据科学、人工智能，算法交易和计算金融领域使用开源技术。他还是《Artificial Intelligence in Finance》（O'Reilly），《 Python for Finance》（O'Reilly），《Derivatives Analytics with Python》（Wiley），《Listed Volatility and Variance Derivatives》（Wiley）的作者，Yves还在量化金融认证（CQF）项目进行人工智能算法交易的讲座。

目录
前言 . 1
第1 章 Python 和算法交易 11
1.1 Python 的金融之道 .11
1.1.1 Python 与伪代码 12
1.1.2 NumPy 和向量化 13
1.1.3 pandas 和DataFrame 类 .15
1.2 算法交易 .17
1.3 Python 的算法交易之道 22
1.4 本书的重点和先决条件 23
1.5 交易策略 24
1.5.1 简单移动平均线 .24
1.5.2 动量策略 24
1.5.3 均值回归 25
1.5.4 机器学习和深度学习25
1.6 小结 25
1.7 参考资料和延伸资源 .26
第2 章 Python 基础架构 29
2.1 Conda 作为软件包管理器 31
2.1.1 安装Miniconda 31
2.1.2 Conda 的基本操作 .34
2.2 Conda 作为虚拟环境管理器 39
2.3 使用Docker 容器 .43
2.3.1 Docker 镜像和容器 44
2.3.2 构建一个带Python 的Ubuntu Docker 镜像 .45
2.4 使用云实例 .50
2.4.1 RSA 公钥私钥 .51
2.4.2 Jupyter Notebook 配置文件 52
2.4.3 Python 和Jupyter Lab 的安装脚本 54
2.4.4 编排Droplet 初始化脚本 55
2.5 小结 58
2.6 参考资料和延伸资源 .58
第3 章 处理金融数据 . 61
3.1 从不同数据源读取金融数据 62
3.1.1 数据集 .62
3.1.2 用Python 读取CSV 文件 63
3.1.3 使用pandas 从CSV 文件读取 65
3.1.4 导出到Excel 和JSON .67
3.1.5 从Excel 和JSON 读取数据 .67
3.2 使用开放数据源 68
3.3 Eikon 数据API .72
3.3.1 获取结构化历史数据75
3.3.2 获取非结构化历史数据 79
3.4 高效存储金融数据 .82
3.4.1 存储DataFrame 对象 83
3.4.2 使用TsTables 87
3.4.3 用SQLite3 存储数据 92
3.5 小结 94
3.6 参考资料和延伸资源 .95
3.7 Python 脚本 96
第4 章 掌握向量化回测 99
4.1 利用向量化 100
4.1.1 使用Numpy 进行向量化 .101
4.1.2 使用pandas 进行向量化103
4.2 基于简单移动平均线的策略 107
4.2.1 入门基础 .107
4.2.2 方法通用化 115
4.3 基于动量的策略 117
4.3.1 基础入门 . 118
4.3.2 方法通用化 122
4.4 基于均值回归的策略 125
4.4.1 基础入门 .125
4.4.2 方法通用化 128
4.5 数据窥探和过度拟合 130
4.6 小结 .132
4.7 参考资料和延伸资源 132
4.8 Python 脚本 .134
4.8.1 SMA 回测类 134
4.8.2 动量回测类 137
4.8.3 均值回归回测类 139
第5 章 通过机器学习预测市场动向 143
5.1 使用线性回归进行市场走势预测 .144
5.1.1 线性回归快速回顾 .144
5.1.2 价格预测的基本思路.147
5.1.3 预测指数水平 149
5.1.4 预测未来收益 152
5.1.5 预测未来市场方向 .154
5.1.6 基于回归策略的向量化回测 .155
5.1.7 概括方法 .157
5.2 使用机器学习进行市场动向预测 .159
5.2.1 scikit-learn 的线性回归 159
5.2.2 一个简单的分类问题.161
5.2.3 使用逻辑回归预测市场方向 .166
5.2.4 方法通用化 171
5.3 使用深度学习进行市场走势预测 .174
5.3.1 再谈简单分类问题 .175
5.3.2 使用深度神经网络预测市场方向 177
5.3.3 添加不同类型的特征.183
5.4 小结 .188
5.5 参考资料和延伸资源 188
5.6 Python 脚本 .189
5.6.1 线性回归回测类 189
5.6.2 分类算法回测类 192
第6 章 构建基于事件回测的类 197
6.1 回测基础类 198
6.2 做多回测类 204
6.3 多空回测类 208
6.4 小结 211
6.5 参考资料和延伸资源 212
6.6 Python 脚本 213
6.6.1 回测基础类 .213
6.6.2 做多回测类 .216
6.6.3 多空回测类 .219
第7 章 使用实时数据和套接字 223
7.1 运行一个简单的实时数据服务器 .225
7.2 连接报价数据客户端 228
7.3 实时生成交易信号 229
7.4 使用Plotly 可视化流数据 .233
7.4.1 基础部分 .233
7.4.2 三个实时流 235
7.4.3 三个流的三个子图 .236
7.4.4 流式数据与柱线图 .238
7.5 小结 .239
7.6 参考资料和延伸资源 240
7.7 Python 脚本 .240
7.7.1 样例报价数据服务器.240
7.7.2 报价数据客户端 241
7.7.3 动量在线算法 242
7.7.4 为柱线图提供样例数据的服务器 243
第8 章 使用Oanda 进行CFD 交易 245
8.1 开设账户 248
8.2 Oanda 应用程序接口 250
8.3 获取历史数据 .252
8.3.1 查询可交易的金融工具 252
8.3.2 基于分钟柱线图回测的动量策略 253
8.3.3 杠杆和保证金因素 .256
8.4 处理流式数据 .258
8.5 下订单 259
8.6 实时实施交易策略 261
8.7 获取账号信息 .267
8.8 小结 .269
8.9 参考资料和延伸资源 269
8.10 Python 脚本 269
第9 章 使用FXCM 进行外汇交易 273
9.1 入门 .275
9.2 获取数据 276
9.2.1 获取报价数据 276
9.2.2 获取K 线数据 279
9.3 使用API 281
9.3.1 获取历史数据 282
9.3.2 获取流数据 284
9.3.3 下单 285
9.3.4 账户信息 .287
9.4 小结 .288
9.5 参考资料和延伸资源 289
第10 章 自动化交易操作 291
10.1 资本管理 .292
10.1.1 二项式设置中的凯利准则 292
10.1.2 股票和指数里的凯利准则 298
10.2 基于机器学习的交易策略 303
10.2.1 向量回测 303
10.2.2 最优杠杆 310
10.2.3 风险分析 312
10.2.4 持久化模型对象 316
10.3 实时算法 .316
10.4 基础设施和部署 321
10.5 日志和监控 322
10.6 可视化分步概览 325
10.6.1 配置Oanda 账号325
10.6.2 设置硬件 325
10.6.3 设置Python 环境 325
10.6.4 上传代码 325
10.6.5 运行代码 328
10.6.6 实时监控 328
10.7 小结 328
10.8 参考资料和延伸资源 330
10.9 Python 脚本 330
10.9.1 自动化交易策略 331
10.9.2 策略监控 334
附录 Python、NumPy、matplotlib 和pandas 335