书名：金融深度学习
书号：978-7-5239-0540-1
定价：128元
作者：[法]索菲恩卡巴尔（Sofien Kaabar）
出版时间：2025-11-20
出版社：中国电力出版社
页码： 380    字数(千字)：439
开本：16开    版次：1    印次：1

品牌介绍

中国电力出版社成立于 1951 年，作为中国成立最早的中央科技出版社之一，曾隶属于水利电力部、能源部、电力工业部、国家电力公司，现为国家电网公司所属的科技出版社，在电气技术专业出版领域享有极高的声誉。该社作为以图书出版为主体，音像、电子出版物、期刊、网络出版共同发展的大型出版企业，以强大的出版资源和高素质的专业队伍，致力于向读者提供包括电力工程、电气工程、建筑工程、电子技术、信息技术、外语、大中专教材、家教等学科门类齐全的权威出版物，也竭力为广大师生提供精品教材，是教育部和北京市教委规划教材的出版基地之一。

编辑推荐

编辑推荐 深度学习正以迅猛之势席卷金融与交易领域。然而，对众多专业交易者而言，这一学科素以艰深复杂著称。本书作为一本实操指南，能带领你运用Python从零构建深度学习交易模型，同时帮助你创建基于机器学习及强化学习的交易算法，并对算法进行回测。 金融作家、交易顾问兼机构市场策略师Sofien Kaabar开创性地提出将技术与量化分析相融合的深度学习策略。本书以独特视角将深度学习原理与技术分析紧密结合，为交易策略研发提供了新思路。这部全景式指南涵盖了技术面分析、机器学习算法评估及算法优化等的完整知识体系。 专家推荐 “本书是一部权威之作，堪称量化交易、数据科学与金融算法领域的里程碑。” ——Amaury Goguel， 巴黎SKEMA商学院金融市场与投资理学硕士项目负责人 “身为量化投资专员，我希望在初涉机器学习交易算法时有一本这样的书。” ——Ning Wang， 巴克莱银行量化投资专员

产品特色

本书通过大量示例，详细介绍了如何使用不同机器学习算法设计交易策略，并通过大量的数学及统计知识，帮助读者更好地理解算法调优过程及整个计算过程。

作者介绍

Sofien Kaabar是一位金融作家、交易顾问和机构市场量化策略分析师，他专长于外汇市场的技术分析与量化分析。他投身于整合可分析的明确条件，创建出媲美现有指标的技术指标，使技术分析变得客观化。

内容介绍

本书的主要内容有：理解并构建机器学习与深度学习模型。探索强化学习原理及其在时间序列中的应用。掌握模型性能评估指标的解读方法。研习技术面分析及其在金融市场的作用机制。用Python创建技术指标，并与机器学习模型协同优化。评估模型盈利能力与预测表现，洞悉其边界与潜力。
本书适用于本书面向广泛读者群体，包括金融从业者与学者、数据科学家、量化交易员，以及各层次金融专业学生。

前言

前言 学习永远不会使头脑枯竭。 —— Leonardo da Vinci 近年来，机器学习和深度学习彻底改变了金融行业。面对数据丰富且持续增长的世界，各种学习模型都展现出强大的适应能力。数据是新时代的“黄金”，有效分析数据能推动关键商业决策，带来的价值与日俱增，并驱动着经济格局的变革。 量化基金的崛起在事实上证明了数据科学领域能为交易世界带来巨大的价值。继基本面交易员和技术面交易员之后，新一代的市场领导者正在崛起—— 量化交易员，他们使用极其复杂的机器学习算法预测市场，以期获得超额收益。 本书将详细探讨金融深度学习这一主题。 为什么创作本书 自从业起，我便致力于研究交易策略、技术，以及其他与金融世界有关的方方面面。多年来，我掌握了各种能为交易框架创造价值的算法模型。本书将探讨不同学习模型在交易领域的应用，尤其聚焦于深度学习和神经网络，旨在让所有读者都能理解其运作原理。 机器在执行操作和识别模式方面优于人类的原因众多，其中一个原因就是机器相较于人类更加客观。通读本书后，你将掌握的核心技能之一就是使用Python创建实现这些操作的算法。 如前所述，本书的目标是为金融深度学习提供全面导论。由此，本书将探讨数据科学、交易、机器学习与深度学习模型，以及强化学习在交易中的应用等广泛主题。 本书首先会概述数据科学领域及其在金融界的角色，接着深入讲解统计学、数学和Python 等必备知识，最后重点讲解如何将机器学习和深度学习应用于交易策略。 读者对象 本书面向广泛读者群体，包括金融从业者与学者、数据科学家、量化交易员，以及各层次金融专业学生。本书为时间序列预测中的机器学习与深度学习应用提供了全面指南，是理解并应用这些强大技术的必备资源。 本书假设读者具备基本的Python 编程能力（专业Python 用户会发现示例代码非常直观）和金融交易基础知识。我采用清晰简洁的写作方式，聚焦核心概念，确保你能理解每个观点。 排版约定 本书采用以下排版约定。 斜体（Italic） 表示新术语、URL、电子邮件地址、文件名和文件扩展名。 等宽字体（Constant width） 表示程序清单，在段落内表示程序元素，例如变量、函数名称、数据库、数据类型、环境变量、语句和关键字。 粗体等宽字体（Constant width bold） 表示应由用户原封不动输入的命令或其他文本。 斜体等宽字体（Constant width italic） 表示应该替换成用户提供值的文本，或者由上下文决定的值。 使用代码示例 本书的代码示例可到GitHub 中下载：https://github.com/sofienkaabar/deeplearning-for-finance。 对本书中文版有任何建议可以发电子邮件到errata@oreilly.com.cn。 本书是要帮你完成工作的。一般来说，如果本书提供了示例代码，你可以把它用在你的程序或文档中。除非你使用了很大一部分代码，否则无需联系我们获得许可。比如，用本书的几个代码片段写一个程序就无需获得许可，销售或分发O’Reilly 图书的示例集则需要获得许可；引用本书中的示例代码回答问题无需获得许可，将书中大量的代码放到你的产品文档中则需要获得许可。 我们很希望但并不强制要求你在引用本书内容时加上引用说明。引用说明一般包括书名、作者、出版社和ISBN，例如：“Deep Learning for Finance by Sofien Kaabar (O’Reilly). Copyright 2024 Sofien Kaabar, 978-1-098-14839-3”。 如果你觉得自己对示例代码的使用超出了上述许可范围，请通过permissions@oreilly.com 与我们联系。 O’Reilly 在线学习平台（O’Reilly Online Learning） 近40 年来，O’Reilly Media 致力于提供技术和商业培训、知识和卓越见解，来帮助众多公司取得成功。 公司独有的专家和改革创新者网络通过O’Reilly 书籍、文章以及在线学习平台，分享他们的专业知识和实践经验。O’Reilly 在线学习平台按照您的需要提供实时培训课程、深入学习渠道、交互式编程环境以及来自O’Reilly 和其他200 多家出版商的大量书籍与视频资料。更多信息，请访问网站：https://www.oreilly.com/。 联系我们 任何有关本书的意见或疑问，请按照以下地址联系出版社。 美国： O’Reilly Media, Inc. 1005 Gravenstein Highway North Sebastopol, CA 95472 中国： 北京市西城区西直门南大街2 号成铭大厦C 座807 室（100035） 奥莱利技术咨询（北京）有限公司 勘误、示例和其他信息可访问https://oreil.ly/deep-learning-for-finance 获取。 欲了解本社图书和课程的新闻和信息，请访问我们的网站http://oreilly.com。 我们的LinkedIn：https://linkedin.com/company/oreilly-media。 我们的Twitter：https://twitter.com/oreillymedia。 我们的YouTube：https://youtube.com/oreillymedia。 致谢 我父母直接或间接影响、塑造了本书的方方面面，谨此致谢。 感谢编辑Michelle Smith 和Corbin Collins，以及产品编辑Elizabeth Faerm 的持续支持与专业工作。同时感谢 O’Reilly 所有参与本书制作的人员。 特别感谢技术审校人员的卓越贡献，他们的工作使本书更实用且可读。 最后，衷心感谢各位读者花费时间阅读我的作品并给予信任，希望本书能为你带来收获。

目录

目录
前言 1
第1 章 数据科学与交易入门 7
11 理解数据7
12 理解数据科学 18
13 金融市场和交易入门 21
14 数据科学在金融中的应用 25
15 小结 26
第2 章 深度学习中的基础概率方法 27
21 概率论入门 27
22 概率论的基本概念 28
23 抽样与假设检验 33
24 信息论入门 39
25 小结 43
第3 章 描述性统计与数据分析 45
31 集中趋势的度量 46
32 差异量数52
33 分布形态的度量 56
34 数据可视化 66
35 相关性 75
36 平稳性 83
37 回归分析和统计推断 91
38 小结 94
第4 章 深度学习的线性代数和微积分 95
41 线性代数95
411 向量与矩阵 96
412 线性方程入门 106
413 方程组 110
414 三角学 115
42 微积分 120
421 极限和连续 120
422 导数 130
423 积分与微积分基本定理 139
424 优化 144
43 小结 148
第5 章 技术面分析入门 149
51 图表分析151
52 指标分析157
521 移动平均线 158
522 相对强弱指数 160
53 模式识别162
54 小结 164
第6 章 数据科学的Python 入门 165
61 下载Python 165
62 基础操作与语法 167
63 控制流 173
64 库与函数175
65 异常处理与错误 179
66 numpy 和pandas 中的数据结构 183
67 Python 中导入金融时间序列数据 188
68 小结 194
第7 章 用于时间序列预测的机器学习模型 195
71 框架 195
72 机器学习模型 209
721 线性回归 209
722 支持向量回归 213
723 随机梯度下降回归 217
724 近邻回归 220
725 决策树回归 223
726 随机森林回归 225
727 AdaBoost 回归 227
728 XGBoost 回归 230
73 过拟合与欠拟合 232
74 小结 235
第8 章 用于时间序列预测的深度学习I 237
81 神经网络漫谈 237
811 激活函数 239
812 反向传播 246
813 优化算法 248
814 正则化技术 249
815 多层感知机 249
82 循环神经网络 255
83 长短期记忆 258
84 时间卷积神经网络 266
85 小结 271
第9 章 用于时间序列预测的深度学习II 273
91 分数阶差分 273
92 预测阈值278
93 持续迭代训练 281
94 时间序列交叉验证 284
95 多步预测286
96 对多层感知机应用正则化 297
97 小结 303
第10 章 使用深度强化学习预测时间序列 305
101 强化学习的直观理解 305
102 深度强化学习 311
103 小结 318
第11 章 高级技术与策略 319
111 预测交易者持仓报告（COT）的长期趋势 319
1111 算法1：COT 间接单步预测模型 325
1112 算法2：COT 直接多步预测模型 328
1113 算法3：COT 递归多步预测模型 330
1114 汇总 333
112 使用技术指标作为输入 334
113 使用深度学习预测比特币波动率 339
114 训练过程的实时可视化 348
115 小结 355
第12 章 市场驱动因素与风险管理 357
121 市场驱动因素 357
1211 市场驱动因素和经济直觉 358
1212 新闻解读 360
122 风险管理 362
1221 风险管理基础 363
1222 行为金融学：偏差的力量 365
123 小结 368