python金融大数据分析-[德]伊夫·希尔皮斯科著pdf 电子版

安全无毒小编亲测

python金融大数据分析2015年12月由人民邮电出版社出版发行，是一本介绍和传授Python金融应用的经典书籍之一。Python凭借其简单、易读、可扩展性以及拥有巨大而活跃的科学计算社区，在需要分析、处理大量数据的金融行业得到了广泛而迅速的应用，并且成为该行业开发核心应用的编程语言。Python金融大数据分析提供了使用Python进行数据分析，以及开发相关应用程序的技巧和工具。Python金融大数据分析总计分为3部分，共19章，第1部分介绍了Python在金融学中的应用，其内容涵盖了Python用于金融行业的原因、Python的基础架构和工具，以及Python在计量金融学中的一些具体入门实例；第2部分介绍了金融分析和应用程序开发中重要的Python库、技术和方法，其内容涵盖了Python的数据类型和结构、用matplotlib进行数据可视化、金融时间序列数据处理、高性能输入/输出操作、高性能的Python技术和库、金融学中需要的多种数学工具、随机数生成和随机过程模拟、Python统计学应用、Python和Excel的集成、Python面向对象编程和GUI的开发、Python与Web技术的集成，以及基于Web应用和Web服务的开发；第3部分关注的是蒙特卡洛模拟期权与衍生品定价实际应用的开发工作，其内容涵盖了估值框架的介绍、金融模型的模拟、衍生品的估值、投资组合的估值、波动率期权等知识。Python金融大数据分析适合对使用Python进行大数据分析、处理感兴趣的金融行业开发人员阅读。
小编温馨提醒：这本书的内容比较多，要注意劳逸结合哦

作者简介：

Yves Hilpsch，是Python Quants（德国）股份有限公司的创始人和任事股东，也是Python Quants（纽约）有限责任公司的共同创办人。该集团提供基于Python的金融和衍生品分析软件（参见http://pythonquants.com，http://quant-platfrom.com和http://dx-analytics.com），以及和Python及金融相关的咨询、开发和培训服务。Yves还是Derivatives Analytics with Python（Wiley Finance，2015）的作者。作为获得数理金融学博士学位的商业管理专业研究生，他在萨尔州大学讲授计算金融学中的数值化方法课程。

免责声明：

来源于网络，仅用于分享知识，学习和交流!请下载完在24小时内删除。
禁用于商业用途！如果您喜欢《python金融大数据分析》，请购买正版，谢谢合作。
爱学习，请到3322软件站查找资源自行下载！

第1部分 Python与金融第1章为什么将Python用于金融 3
1．1 Python是什么 3
1．1．1 Python简史 5
1．1．2 Python生态系统 5
1．1．3 Python用户谱系 7
1．1．4 科学栈 7
1．2 金融中的科技 8
1．2．1 科技开销 9
1．2．2 作为业务引擎的科技 9
1．2．3 作为进入门槛的科技和人才 9
1．2．4 不断提高的速度、频率、数据量 10
1．2．5 实时分析的兴起 11
1．3 用于金融的Python 12
1．3．1 金融和Python语法 12
1．3．2 Python的效率和生产率 15
1．3．3 从原型化到生产 19
1．4 结语 20
1．5 延伸阅读 20
第2章基础架构和工具 21
2．1 Python部署 22
2．1．1 Anaconda 22
2．1．2 Python Quant Platform 27
2．1．3 工具 30
2．1．4 Python 30
2．1．5 IPython 30
2．1．6 Spyder 40
2．2 结语 42
2．3 延伸阅读 43
第3章入门示例 45
3．1 隐含波动率 46
3．2 蒙特卡洛模拟 54
3．2．1 纯Python 56
3．2．2 用NumPy向量化 57
3．2．3 利用对数欧拉方法实现全向量化 59
3．2．4 图形化分析 60
3．2．5 技术分析 62
3．3 结语 67
3．4 延伸阅读 68
第2部分金融分析和开发
第4章数据类型和结构 71
4．1 基本数据类型 72
4．1．1 整数 72
4．1．2 浮点数 73
4．1．3 字符串 75
4．2 基本数据结构 77
4．2．1 元组 77
4．2．2 列表 78
4．2．3 离题：控制结构 80
4．2．4 离题：函数式编程 81
4．2．5 字典 82
4．2．6 集合 84
4．3 NumPy数据结构 85
4．3．1 用Python列表形成数组 85
4．3．2 常规NumPy数组 87
4．3．3 结构数组 90
4．4 代码向量化 91
4．5 内存布局 93
4．6 结语 95
4．7 延伸阅读 95
第5章数据可视化 97
5．1 二维绘图 97
5．1．1 一维数据集 98
5．1．2 二维数据集 103
5．1．3 其他绘图样式 109
5．2 金融学图表 116
5．3 3D绘图 119
5．4 结语 122
5．5 延伸阅读 122
第6章金融时间序列 123
6．1 pandas基础 124
6．1．1 使用DataFrame类的第一步 124
6．1．2 使用DataFrame类的第二步 127
6．1．3 基本分析 131
6．1．4 Series类 134
6．1．5 GroupBy操作 135
6．2 金融数据 136
6．3 回归分析 142
6．4 高频数据 150
6．5 结语 154
6．6 延伸阅读 154
第7章输入/输出操作 155
7．1 Python基本I/O 156
7．1．1 将对象写入磁盘 156
7．1．2 读写文本文件 159
7．1．3 SQL数据库 160
7．1．4 读写NumPy数组 162
7．2 Pandas的I/O 164
7．2．1 SQL数据库 165
7．2．2 从SQL到pandas 166
7．2．3 CSV文件数据 168
7．2．4 Excel文件数据 169
7．3 PyTables的快速I/O 170
7．3．1 使用表 170
7．3．2 使用压缩表 175
7．3．3 使用数组 176
7．3．4 内存外计算 177
7．4 结语 179
7．5 延伸阅读 180
第8章高性能的Python 181
8．1 Python范型与性能 182
8．2 内存布局与性能 184
8．3 并行计算 186
8．3．1 蒙特卡洛算法 186
8．3．2 顺序化计算 187
8．3．3 并行计算 188
8．3．4 性能比较 191
8．4 多处理 191
8．5 动态编译 193
8．5．1 介绍性示例 193
8．5．2 二项式期权定价方法 195
8．6 用Cython进行静态编译 199
8．7 在GPU上生成随机数 201
8．8 结语 205
8．9 延伸阅读 205
第9章数学工具 207
9．1 逼近法 208
9．1．1 回归 208
9．1．2 插值 218
9．2 凸优化 221
9．2．1 全局优化 222
9．2．2 局部优化 223
9．2．3 有约束优化 224
9．3 积分 226
9．3．1 数值积分 228
9．3．2 通过模拟求取积分 228
9．4 符号计算 229
9．4．1 基本知识 229
9．4．2 方程式 230
9．4．3 积分 231
9．4．4 微分 232
9．5 结语 233
9．6 延伸阅读 233
第10章推断统计学 235
10．1 随机数 236
10．2 模拟 241
10．2．1 随机变量 241
10．2．2 随机过程 244
10．2．3 方差缩减 256
10．3 估值 259
10．3．1 欧式期权 259
10．3．2 美式期权 263
10．4 风险测度 266
10．4．1 风险价值 266
10．4．2 信用价值调整 270
10．5 结语 272
10．6 延伸阅读 273
第11章统计学 275
11．1 正态性检验 276
11．1．1 基准案例 277
11．1．2 现实世界的数据 284
11．2 投资组合优化 289
11．2．1 数据 290
11．2．2 基本理论 291
11．2．3 投资组合优化 294
11．2．4 有效边界 296
11．2．5 资本市场线 297
11．3 主成分分析 300
11．3．1 DAX指数和30种成分股 301
11．3．2 应用PCA 301
11．3．3 构造PCA指数 302
11．4 贝叶斯回归 305
11．4．1 贝叶斯公式 305
11．4．2 PyMC3 306
11．4．3 介绍性示例 307
11．4．4 真实数据 310
11．5 结语 318
11．6 延伸阅读 318
第12章 Excel集成 321
......
第13章面向对象和图形用户界面 345
......
第14章 Web集成 365
......
第3部分衍生品分析库
第15章估值框架 409
......
第16章金融模型的模拟 421
......
第17章衍生品估值 441
......
第18章投资组合估值 459
......
第19章波动率期权 475
......
附录A 精选的最佳实践 491
附录B 看涨期权类 499
附录C 日期和时间 503