第 1章 結合金融場景演示Python基礎編程 1

1.1 Python簡介 1

1.2 Python的金融變量賦值與數(shù)據(jù)類型 6

1.3 Python的數(shù)據(jù)結構 12

1.4 Python的運算符號 22

1.5 Python的內(nèi)置函數(shù)與自定義函數(shù) 28

1.6 Python的類 33

1.7 Python的句型 37

1.8 模塊導入與math模塊 42

1.9 本章小結 45

1.10 拓展閱讀 46

第 2章 結合金融場景演示NumPy模塊編程 47

2.1 從一個投資案例講起 47

2.2 N維數(shù)組 49

2.3 數(shù)組的相關功能 54

2.4 數(shù)組的相關運算 58

2.5 基于統(tǒng)計分布的隨機抽樣 69

2.6 現(xiàn)金流模型 80

2.7 本章小結 88

2.8 拓展閱讀 89

第3章 結合金融時間序列演示pandas模塊編程 90

3.1 pandas的數(shù)據(jù)結構 90

3.2 時間索引 96

3.3 金融時間序列的數(shù)據(jù)可視化 100

3.4 數(shù)據(jù)框內(nèi)部的操作 104

3.5 數(shù)據(jù)框之間的合并 114

3.6 統(tǒng)計功能 118

3.7 本章小結 127

3.8 拓展閱讀 127

第4章 結合金融可視化演示Matplotlib模塊編程 128

4.1 基本函數(shù)及參數(shù)的介紹 128

4.2 曲線圖 133

4.3 直方圖 138

4.4 條形圖 143

4.5 散點圖 148

4.6 餅圖與雷達圖 150

4.7 K線圖 154

4.8 三維圖 158

4.9 本章小結 163

4.10 拓展閱讀 164

第5章 結合金融場景演示SciPy等模塊編程 165

5.1 SciPy模塊 165

5.2 statsmodels模塊 184

5.3 波動率模型與arch模塊 191

5.4 datetime模塊 198

5.5 本章小結 203

5.6 拓展閱讀 204

第6章 結合金融場景演示深度學習PyTorch模塊編程 205

6.1 PyTorch環(huán)境部署 205

6.2 張量 208

6.3 神經(jīng)元與激活函數(shù) 226

6.4 構建線性模型 232

6.5 全連接神經(jīng)網(wǎng)絡 240

6.6 循環(huán)神經(jīng)網(wǎng)絡 252

6.7 長短期記憶網(wǎng)絡 263

6.8 本章小結 273

6.9 拓展閱讀 274

第7章 結合金融場景的強化學習編程 275

7.1 強化學習入門 275

7.2 強化學習的編程技術框架Gymnasium模塊 286

7.3 創(chuàng)建并運行股票投資的強化學習環(huán)境 293

7.4 Q學習 303

7.5 深度Q網(wǎng)絡 320

7.6 本章小結 338

7.7 拓展閱讀 339