第 一篇 Python基礎(chǔ)篇

第 1章　Python基礎(chǔ)知識(shí)　2

【學(xué)習(xí)導(dǎo)讀】　2

【學(xué)習(xí)目標(biāo)】　2

【思維導(dǎo)圖】　3

1.1 Python概述與環(huán)境搭建　3

1.1.1 Python概述　3

1.1.2 Anaconda概述　5

1.1.3 Jupyter Notebook概述　6

1.1.4 Python庫的安裝　9

1.2 Python的數(shù)據(jù)類型　10

1.2.1 整型　10

1.2.2 浮點(diǎn)型　10

1.2.3 復(fù)數(shù)　11

1.2.4 字符串　11

1.3 Python的數(shù)據(jù)結(jié)構(gòu)　12

1.3.1 元組　12

1.3.2 列表　13

1.3.3 字典　13

1.4 Python的運(yùn)算符　14

1.5 Python的函數(shù)　16

1.5.1 內(nèi)置函數(shù)　16

1.5.2 自定義函數(shù)　16

1.6 Python的基本結(jié)構(gòu)　17

1.6.1 順序結(jié)構(gòu)　17

1.6.2 選擇分支結(jié)構(gòu)　17

1.6.3 循環(huán)結(jié)構(gòu)　18

1.7 Python在金融數(shù)據(jù)中的應(yīng)用　20

【課后習(xí)題】　22



第 2章　數(shù)據(jù)分析相關(guān)庫　23

【學(xué)習(xí)導(dǎo)讀】　23

【學(xué)習(xí)目標(biāo)】　23

【思維導(dǎo)圖】　24

2.1 數(shù)組運(yùn)算NumPy　24

2.1.1 NumPy概述　24

2.1.2 數(shù)組的創(chuàng)建　25

2.1.3 數(shù)組的常用屬性　26

2.1.4 數(shù)組的形狀改變　27

2.1.5 數(shù)組的索引與切片　28

2.1.6 數(shù)組的運(yùn)算　30

2.2 數(shù)據(jù)處理pandas　32

2.2.1 pandas概述　32

2.2.2 Series的創(chuàng)建　33

2.2.3 Series的索引及切片　34

2.2.4 DataFrame的創(chuàng)建　35

2.2.5 DataFrame的寫入與讀取　37

2.2.6 DataFrame的索引　38

2.2.7 DataFrame的增刪改查　40

2.2.8 DataFrame的合并　41

2.3 數(shù)據(jù)繪圖Matplotlib　43

2.3.1 Matplotlib繪圖基礎(chǔ)　43

2.3.2 Matplotlib圖形繪制　45

【課后習(xí)題】　47



第二篇 金融數(shù)據(jù)分析與挖掘篇

第3章　

金融數(shù)據(jù)獲取及預(yù)處理　49

【學(xué)習(xí)導(dǎo)讀】　49

【學(xué)習(xí)目標(biāo)】　49

【思維導(dǎo)圖】　50

3.1 金融數(shù)據(jù)獲取　50

3.1.1 第三方數(shù)據(jù)接口　50

3.1.2 網(wǎng)絡(luò)爬蟲　52

3.2 數(shù)據(jù)清洗　55

3.2.1 缺失值處理　56

3.2.2 重復(fù)值處理　58

3.2.3 異常值處理　59

3.3 數(shù)據(jù)變換　59

3.3.1 數(shù)據(jù)類型轉(zhuǎn)換　59

3.3.2 數(shù)值型特征歸一化　62

3.3.3 類別型特征編碼　64

3.3.4 日期變量提取　65

【課后習(xí)題】　66

【本章實(shí)訓(xùn)】A股銀行行業(yè)歷史行情數(shù)據(jù)獲取及預(yù)處理　66

【實(shí)戰(zhàn)演練】新浪財(cái)經(jīng)歷史分紅數(shù)據(jù)的獲取與預(yù)處理　70



第4章　金融數(shù)據(jù)描述性分析與可視化　71

【學(xué)習(xí)導(dǎo)讀】　71

【學(xué)習(xí)目標(biāo)】　71

【思維導(dǎo)圖】　72

4.1 統(tǒng)計(jì)量和描述性分析　72

4.1.1 定性變量的描述性分析　72

4.1.2 定量變量的描述性分析　74

4.2 雙變量的描述性分析　77

4.2.1 定性變量與定性變量　77

4.2.2 定量變量與定量變量　78

4.2.3 定性變量與定量變量　81

4.3 金融技術(shù)分析工具　83

4.3.1 K線圖　83

4.3.2 移動(dòng)平均線　84

4.3.3 mplfinance繪圖　85

【課后習(xí)題】　88

【本章實(shí)訓(xùn)】貴州茅臺(tái)股票價(jià)格走勢分析與可視化　88

【實(shí)戰(zhàn)演練】比亞迪股票價(jià)格走勢分析與可視化　92



第5章　數(shù)據(jù)建模：有監(jiān)督學(xué)習(xí)　93

【學(xué)習(xí)導(dǎo)讀】　93

【學(xué)習(xí)目標(biāo)】　93

【思維導(dǎo)圖】　94

5.1 有監(jiān)督學(xué)習(xí)　94

5.1.1 有監(jiān)督學(xué)習(xí)簡介　94

5.1.2 性能度量　96

5.2 線性回歸　99

5.2.1 一元線性回歸　99

5.2.2 多元線性回歸　100

5.2.3 線性回歸算法案例實(shí)踐　102

5.3 邏輯回歸　104

5.3.1 邏輯回歸模型　105

5.3.2 邏輯回歸模型案例實(shí)踐　107

5.4 決策樹　110

5.4.1 決策樹原理　112

5.4.2 決策樹算法案例實(shí)踐　114

5.5 隨機(jī)森林　116

5.5.1 隨機(jī)森林算法思想　117

5.5.2 隨機(jī)森林算法案例實(shí)踐　117

【課后習(xí)題】　119

【本章實(shí)訓(xùn)】貸款利率預(yù)測　120

【實(shí)戰(zhàn)演練】上市公司營收預(yù)測　122



第6章　數(shù)據(jù)建模：無監(jiān)督學(xué)習(xí)　123

【學(xué)習(xí)導(dǎo)讀】　123

【學(xué)習(xí)目標(biāo)】　123

【思維導(dǎo)圖】　124

6.1 無監(jiān)督學(xué)習(xí)概述　124

6.2 主成分分析　125

6.2.1 主成分分析算法思想　125

6.2.2 主成分分析案例實(shí)踐　126

6.3 因子分析　128

6.3.1 因子分析基本概念　128

6.3.2 因子分析案例實(shí)踐　130

6.4 K均值聚類　131

6.4.1 K均值聚類的基本原理　132

6.4.2 K均值聚類案例實(shí)踐　132

【課后習(xí)題】　135

【本章實(shí)訓(xùn)】HKD_CNY數(shù)據(jù)的聚類分析　136

【實(shí)戰(zhàn)演練】美元期貨指數(shù)聚類分析　140



第三篇 綜合應(yīng)用篇

第7章　上市公司股票數(shù)據(jù)獲取與可視化分析　142

7.1 上市公司及股票概述　143

7.2 個(gè)股股票數(shù)據(jù)獲取及可視化　143

7.2.1 個(gè)股股票數(shù)據(jù)獲取　143

7.2.2 數(shù)據(jù)預(yù)處理　144

7.2.3 描述性分析與可視化　146

7.3 多只股票數(shù)據(jù)獲取及可視化　149

7.3.1 多只股票數(shù)據(jù)獲取與預(yù)處理　149

7.3.2 多只股票的描述性分析與可視化　151

7.4 案例報(bào)告——金融行業(yè)上市公司股票數(shù)據(jù)可視化分析　153

7.4.1 背景介紹　153

7.4.2 數(shù)據(jù)說明　153

7.4.3 描述性分析及可視化　154

7.4.4 總結(jié)與建議　159



第8章　滬深300指數(shù)預(yù)測　160

8.1 滬深300指數(shù)概述　161

8.2 數(shù)據(jù)說明與預(yù)處理　161

8.2.1 數(shù)據(jù)說明　161

8.2.2 數(shù)據(jù)預(yù)處理　162

8.3 滬深300指數(shù)分析　163

8.3.1 滬深300指數(shù)描述性分析　163

8.3.2 滬深300指數(shù)可視化分析　163

8.4 滬深300指數(shù)走勢預(yù)測　165

8.4.1 數(shù)據(jù)準(zhǔn)備　165

8.4.2 模型訓(xùn)練及性能評(píng)價(jià)　166

8.4.3 模型預(yù)測結(jié)果　166

8.5 案例報(bào)告——基于數(shù)據(jù)挖掘的滬深300指數(shù)走勢預(yù)測　166

8.5.1 背景介紹　167

8.5.2 數(shù)據(jù)說明　167

8.5.3 滬深300指數(shù)分析　167

8.5.4 模型訓(xùn)練與結(jié)果分析　171

8.5.5 總結(jié)與建議　172



第9章　基于K均值聚類的上市公司財(cái)務(wù)數(shù)據(jù)分析　173

9.1 上市公司財(cái)務(wù)概述　174

9.2 數(shù)據(jù)說明與預(yù)處理　174

9.2.1 數(shù)據(jù)說明　174

9.2.2 數(shù)據(jù)預(yù)處理　174

9.3 財(cái)務(wù)數(shù)據(jù)的描述性分析與可視化　175

9.3.1 財(cái)務(wù)數(shù)據(jù)的基本統(tǒng)計(jì)特征　175

9.3.2 財(cái)務(wù)數(shù)據(jù)的核密度估計(jì)　175

9.3.3 財(cái)務(wù)數(shù)據(jù)的相關(guān)性分析　176

9.4 基于財(cái)務(wù)指標(biāo)的K均值聚類與評(píng)價(jià)　177

9.4.1 K值確定　177

9.4.2 K均值聚類與效果評(píng)價(jià)　178

9.4.3 模型結(jié)果展示　178

9.5 案例報(bào)告——基于K均值聚類的上市公司盈利能力分析　179

9.5.1 背景介紹　179

9.5.2 數(shù)據(jù)說明　180

9.5.3 上市公司財(cái)務(wù)指標(biāo)的描述性分析　180

9.5.4 上市公司財(cái)務(wù)指標(biāo)的聚類分析　182

9.5.5 總結(jié)與建議　183



第 10章　不同投資組合下的收益率與波動(dòng)率分析　184

10.1 投資組合概述　185

10.2 數(shù)據(jù)預(yù)處理和描述性分析　185

10.2.1 股票價(jià)格走勢　185

10.2.2 股票的日對數(shù)收益率　186

10.2.3 股票的年化對數(shù)收益率和年化波動(dòng)率　186

10.2.4 投資組合的相關(guān)性分析　187

10.3 投資組合的收益率分析　188

10.3.1 給定權(quán)重的投資組合　188

10.3.2 等權(quán)重的投資組合　189

10.3.3 市值加權(quán)的投資組合　190

10.4 探索股票的最優(yōu)投資組合　191

10.4.1 蒙特卡羅模擬在投資組合優(yōu)化中的應(yīng)用　191

10.4.2 基于風(fēng)險(xiǎn)最小化的投資組合構(gòu)建方法　192

10.4.3 基于夏普比率的最優(yōu)投資組合構(gòu)建方法　194

10.5 案例報(bào)告——基于Python的投資組合收益率與波動(dòng)率數(shù)據(jù)分析　195

10.5.1 背景介紹　195

10.5.2 數(shù)據(jù)說明　196

10.5.3 股價(jià)的描述性分析　196

10.5.4 不同的投資組合對比　197

10.5.5 總結(jié)與建議　199



參考文獻(xiàn)　200