編輯推薦
本書採用獨創的黑箱模式、MBA案例教學機制，結合大量的經典案例，介紹TensorFlow系統和常用的深度學習算法、神經網路模型，以及它們在量化分析當中的具體套用。
《零起點TensorFlow與量化交易》僅僅作為入門課程，具體的實盤策略，有待廣大讀者通過進一步深入學習TensorFlow、PyTorch、MXNet等新一代深度學習平台來獲得。最重要的是，還有待廣大的一線實盤操作人員結合專業的金融操盤經驗，與各種神經網路模型融會貫通，構建更加符合金融量化實際套用的神經網路模型，從而獲得更好的投資回報。
內容提要
Python量化回溯、TensorFlow、PyTorch、MXNet深度學習平台以及神經網路模型，都是近年來興起的前沿科技項目，相關理論、平台、工具目前尚處於摸索階段。
TensorFlow是近年來影響最大的神經網路、深度學習平台，本書從入門者的角度，對TensorFlow進行了介紹，《零起點TensorFlow與量化交易》中通過大量的實際案例，讓初學者快速掌握神經網路和金融量化分析的基本編程，為進一步學習奠定紮實的基礎。
《零起點TensorFlow與量化交易》中的案例、程式以教學為主，且進行了高度簡化，以便讀者能夠快速理解相關內容，用最短的時間了解Python量化回溯的整個流程，以及數據分析、機器學習、神經網路的套用。
《零起點TensorFlow與量化交易》僅僅作為入門課程，具體的實盤策略，有待廣大讀者通過進一步深入學習TensorFlow、PyTorch等新一代深度學習平台來獲得。最重要的是，廣大的一線實盤操作人員需要結合專業的金融操盤經驗，與各種神經網路模型融會貫通，構建更加符合金融量化實際套用的神經網路模型，從而獲得更好的投資回報收益。
目錄
第1章 TensorFlow概述 1
1.1 TensorFlow要點概括 2
1.2 TensorFlow簡化接口 2
1.3 Keras簡介 3
1.4 運行環境模組的安裝 4
1.4.1 CUDA運行環境的安裝 4
案例1-1：重點模組版本測試 5
案例1-2：GPU開發環境測試 8
1.4.2 GPU平台運行結果 9
第2章 無數據不量化（上） 12
2.1 金融數據源 13
2.1.1 TopDat金融數據集 14
2.1.2 量化分析與試錯成本 15
2.2 OHLC金融數據格式 16
案例2-1：金融數據格式 17
2.3 K線圖 18
案例2-2：繪製金融數據K線圖 19
2.4 Tick數據格式 22
案例2-3：Tick數據格式 23
2.4.1 Tick數據與分時數據轉換 25
案例2-4：分時數據 25
2.4.2 resample函式 26
2.4.3 分時數據 26
2.5 離線金融數據集 29
案例2-5：TopDat金融數據集的日線數據 29
案例2-6：TopDat金融數據集的Tick數據 31
2.6 TopDown金融數據下載 33
案例2-7：更新單一A股日線數據 34
案例2-8：批量更新A股日線數據 37
2.6.1 Tick數據與分時數據 40
案例2-9：更新單一A股分時數據 40
案例2-10：批量更新分時數據 43
2.6.2 Tick數據與實時數據 45
案例2-11：更新單一實時數據 45
案例2-12：更新全部實時數據 48
第3章 無數據不量化（下） 51
3.1 均值優先 51
案例3-1：均值計算與價格曲線圖 52
3.2 多因子策略和泛因子策略 54
3.2.1 多因子策略 54
3.2.2 泛因子策略 55
案例3-2：均線因子 55
3.3 “25日神定律” 59
案例3-3：時間因子 61
案例3-4：分時時間因子 63
3.4 TA-Lib金融指標 66
3.5 TQ智慧型量化回溯系統 70
3.6 全記憶體計算 70
案例3-5：增強版指數索引 71
案例3-6：AI版索引資料庫 73
3.7 股票池 77
案例3-7：股票池的使用 77
3.8 TQ_bar全局變數類 81
案例3-8：TQ_bar初始化 82
案例3-9：TQ版本日線數據 85
3.9 大盤指數 87
案例3-10：指數日線數據 88
案例3-11：TQ版本指數K線圖 89
案例3-12：個股和指數曲線對照圖 92
3.10 TDS金融數據集 96
案例3-13：TDS衍生數據 98
案例3-14：TDS金融數據集的製作 102
案例3-15：TDS金融數據集2.0 105
案例3-16：讀取TDS金融數據集 108
第4章 人工智慧與趨勢預測 112
4.1 TFLearn簡化接口 112
4.2 人工智慧與統計關聯度分析 113
4.3 關聯分析函式corr 113
4.3.1 Pearson相關係數 114
4.3.2 Spearman相關係數 114
4.3.3 Kendall相關係數 115
4.4 open（開盤價）關聯性分析 115
案例4-1：open關聯性分析 115
4.5 數值預測與趨勢預測 118
4.5.1 數值預測 119
4.5.2 趨勢預測 120
案例4-2：ROC計算 120
案例4-3：ROC與交易數據分類 123
4.6 n+1大盤指數預測 128
4.6.1 線性回歸模型 128
案例4-4：上證指數n+1的開盤價預測 129
案例4-5：預測數據評估 133
4.6.2 效果評估函式 136
4.6.3 常用的評測指標 138
4.7 n+1大盤指數趨勢預測 139
案例4-6：漲跌趨勢歸一化分類 140
案例4-7：經典版漲跌趨勢歸一化分類 143
4.8 One-Hot 145
案例4-8：One-Hot格式 146
4.9 DNN模型 149
案例4-9：DNN趨勢預測 150
第5章 單層神經網路預測股價 156
5.1 Keras簡化接口 156
5.2 單層神經網路 158
案例5-1：單層神經網路模型 158
5.3 神經網路常用模組 168
案例5-2：可視化神經網路模型 170
案例5-3：模型讀寫 174
案例5-4：參數調優入門 177
第6章 MLP與股價預測 182
6.1 MLP 182
案例6-1：MLP價格預測模型 183
6.2 神經網路模型套用四大環節 189
案例6-2：MLP模型評估 190
案例6-3：最佳化MLP價格預測模型 194
案例6-4：最佳化版MLP模型評估 197
第7章 RNN與趨勢預測 200
7.1 RNN 200
7.2 IRNN與趨勢預測 201
案例7-1：RNN趨勢預測模型 201
案例7-2：RNN模型評估 209
案例7-3：RNN趨勢預測模型2 211
案例7-4：RNN模型2評估 214
第8章 LSTM與量化分析 217
8.1 LSTM模型 217
8.1.1 數值預測 218
案例8-1：LSTM價格預測模型 219
案例8-2：LSTM價格預測模型評估 226
8.1.2 趨勢預測 230
案例8-3：LSTM股價趨勢預測模型 231
案例8-4：LSTM趨勢模型評估 239
8.2 LSTM量化回溯分析 242
8.2.1 構建模型 243
案例8-5：構建模型 243
8.2.2 數據整理 251
案例8-6：數據整理 251
8.2.3 回溯分析 262
案例8-7：回溯分析 262
8.2.4 專業回報分析 268
案例8-8：量化交易回報分析 268
8.3 完整的LSTM量化分析程式 279
案例8-9：LSTM量化分析程式 280
8.3.1 數據整理 280
8.3.2 量化回溯 284
8.3.3 回報分析 285
8.3.4 專業回報分析 288
第9章 日線數據回溯分析 293
9.1 數據整理 293
案例9-1：數據更新 294
案例9-2：數據整理 296
9.2 回溯分析 307
9.2.1 回溯主函式 307
9.2.2 交易信號 308
9.3 交易接口函式 309
案例9-3：回溯分析 309
案例9-4：多模式回溯分析 316
第10章 Tick數據回溯分析 318
10.1 ffn金融模組庫 318
案例10-1：ffn功能演示 318
案例10-2：量化交易回報分析 330
案例10-3：完整的量化分析程式 343
10.2 Tick分時數據量化分析 357
案例10-4：Tick分時量化分析程式 357
總結 371
附錄A TensorFlow 1.1函式接口變化 372
附錄B 神經網路常用算法模型 377
附錄C 機器學習常用算法模型 414
作者簡介
何海群，網名：字王，CHRD前海智庫CTO，《中華大字型檔》發明人，20年人工智慧從業經驗；zwPython開發平台、TopQuant.vip極寬量化系統設計師，中國“Python創客”項目發起人，國內Python量化項目的啟蒙者和開拓者：《Python量化實盤·魔鬼訓練營》，Top極寬量化開源團隊的創始人。2018年於深圳華僑城創意園，啟動太和極寬金融孵化基地：金融、科技、藝術三位一體。
研究成果有：BigQuant理論架構：Python量化+數字貨幣+人工智慧；“小數據”理論，GPU超算工作站、MTRD多節點超算集群算法、“1+N”網路傳播模型、人工智慧“足彩圖靈法則”等；論文《人工智慧與中文字型設計》是中文字型檔行業三大基礎建模理論之一。
推薦序
AlphaGo與柯潔的黑白大戰，因為對陣的一方是中國頂級圍棋高手柯潔，所以引起國人的高度關注。利用百度搜尋引擎輸入AlphaGo，一度可以得出7000多萬條搜尋結果，這遠遠高於其他熱門詞條。
事實上，AlphaGo只是Google擁有的兩套人工智慧系統中的一套。它是Google 2014年收購的DeepMind的人工智慧系統，專注於棋賽開發。Google的另外一套人工智慧系統就是本書介紹的TensorFlow系統。
在TensorFlow等人工智慧系統出現之前，計算機所做的事情往往是簡單重複的。計算機會按照人類編好的既定程式，簡單重複、按部就班地運行，沒有超越人類事先為其設定的思維邊界。
計算機與人類的大腦相比，根本的區別在於不具備學習和創新能力。
計算機頂多也就是記憶的信息多，重複計算的速度快，不受情緒的影響等。但是，在TensorFlow等人工智慧系統出現之後，計算機所做的事情除簡單重複運行之外，更重要的是其具備了一定的自我學習和創新能力。
TensorFlow等人工智慧系統使得計算機在一定程度上能夠自主學習，自我提高，總結過去的經驗，汲取以往的教訓，具備一定的創新性。這一點在AlphaGo與柯潔對壘的3場棋局的結果中不難看出。
這正是以AlphaGo和TensorFlow為代表的人工智慧系統區別於以往任何計算機技術的關鍵所在，也是TensorFlow被稱為網際網路以來唯一的“黑科技”項目的原因。
具備了一定的自我學習和創造能力的人工智慧系統的出現，將對經濟系統的各個領域產生重大影響。筆者有著超過20年境內外金融行業從業經歷，將從一個側面分享人工智慧對金融領域的影響。
從整個金融業的歷史沿革來看，這大致經歷了4個階段：純人工階段、單機電腦階段、網際網路（含移動網際網路）階段和人工智慧階段。
隨著每個階段的漸次演進，提供金融服務一方的人力成本投入在逐漸減少，提供金融服務的效率在提高；對於接受金融服務的一方來說，金融服務的可獲得性，以及便捷程度在逐漸增加，金融服務越來越圍繞著人進行，以人為中心的全方位的社會經濟服務體系正在形成。
在金融服務體系中，銀行服務、證券服務、保險服務等的內部界限開始變得模糊，金融服務與其他非金融的社會經濟服務之間的界限開始變得不清。
特別是金融業進入人工智慧階段之後，人工智慧系統將接受金融服務一方的身份特徵數據、交易數據和行為數據等大數據，進行實時分析和動態跟蹤，以遠低於人工成本的成本，為每個人建立一個基於生命周期的綜合金融模型，對每個人未來的金融行為進行預測，自動為他們提供賬戶資金管理、貨幣兌換、證券買賣、保險購買、購房購車計畫、旅行休閒、子女教育、養老規劃等方面的金融建議和授權代理操作，並將模型預測結果與實際情況相比對，自主學習和修正模型，以便更加貼合接受金融服務一方的真實金融意圖，使得人工智慧模型的預測建議和人的實際金融行為無限接近。
由此人類將從日常繁雜的各種金融交易中解放出來，投身到更需要自己或自己更感興趣的方面。
展望未來，人工智慧的套用前景無限美好；探尋當下，人工智慧在世界各地的各行各業方興未艾。
千里之行，始於足下。何海群先生的《零起點TensorFlow與量化交易》是有志於人工智慧領域的IT人士的一塊敲門磚和鋪路石。
祝願人工智慧在華夏大地生根發芽，開花結果。
梁忠
梁忠：中國人民大學財政金融系博士，曾任里昂證券CLSA分析員；瑞銀證券UBSS董事，財富管理中國研究部主管；瑞士信貸（香港）有限公司中國研究部董事；瑞信方正證券執行董事，研究部主管，具有20年國際頂級金融機構從業經歷。
前言
感謝梁忠先生在百忙之中為本書撰寫序言。以TensorFlow為代表的神經網路，被視為自網際網路以來唯一的“黑科技”，無遠弗屆，無分行業領域，對社會各界從上至下帶來徹底的顛覆與革命。
梁忠先生作為非IT領域的學者、專家，從第三方角度，冷靜地觀察這場數字革命，同時向更多的大眾介紹這場革命的火花，推動行業變革，功莫大焉。
隨著類似於Titanic數據集案例、梵谷畫風等一系列，基於TensorFlow等神經網路、深度學習項目的不斷湧現，未來的各個學科都會結合人工智慧（AI），進行新的學術重組。
“Python量化三部曲”
“Python量化三部曲”包括：
《零起點Python大數據與量化交易》（入門課程）
《零起點機器學習與量化交易》（重點分析SKLearn）
《零起點TensorFlow與量化交易》（重點分析TensorFlow）
此外，還有幾部補充作品：
《零起點Python足彩大數據與機器學習實盤分析》
《零起點Python機器學習快速入門》
《零起點TensorFlow快速入門》
《MXNet神經網路與量化交易》
《Plotly可視化數據分析》
本書是《零起點TensorFlow快速入門》的後續之作，原本是TopQuant.vip極寬量化培訓課程高級班的教學課件，為了節省篇幅，刪除了Python基礎教程，以及SKLearn、TensorFlow等機器學習方面的入門內容。沒有經驗的讀者，建議先閱讀《零起點Python機器學習快速入門》《零起點TensorFlow快速入門》，再開始本書的學習，這樣會收到事半功倍的效果。
本書是目前較好的TensorFlow神經網路與量化分析入門教程：
無需任何理論基礎，全程採用MBA案例模式，懂Excel就可看懂本書。
獨創的逆向式課件模式，結合TensorBoard可視化系統，案例、圖表優先，層層剖析。
系統介紹TensorFlow在金融量化領域的具體套用，提供多組配套案例。
全套神經網路股票趨勢預測、股票價格預測案例源碼。
TDS金融數據集的創建與使用。
三位一體的課件模式：圖書+開發平台+成套的教學案例，系統講解，逐步深入。
本書採用獨創的黑箱模式、MBA案例教學機制，結合大量的經典案例，介紹TensorFlow系統和常用的深度學習算法、神經網路模型，以及它們在量化分析當中的具體套用。
進一步學習
讀者如有興趣可以進一步學習“Python量化三部曲”的內容，以及《零起點Python足彩大數據與機器學習實盤分析》。
機器學習、人工智慧、金融量化，它們的基本原理是相通的，本質上都是數據分析。對於“Python量化三部曲”的讀者而言，本書也有很大的價值，特別是對於第一部入門課程的讀者。
Python量化回溯與TensorFlow、PyTorch、MXNet等神經網路深度學習平台，都是近年來興起的科技前沿領域，有關的理論、平台、工具目前還處於摸索階段。“Python量化三部曲”圖書和TopQuant.vip極寬智慧型量化系統，只是在這些領域的起步階段，作為入門教程，拋磚引玉。
本書中的案例、程式以教學為主，進行了很多簡化，以便大家能夠快速理解相關內容，用最短的時間，了解Python量化回溯的整個流程，以及數據分析、機器學習、神經網路在這些領域的套用操作技巧。
神經網路、深度學習在量化實盤當中的套用，是目前全世界都在研究的頂尖課題，當前尚未有很好的模型與套用案例。
本書僅僅作為入門課程，具體的實盤策略，有待廣大讀者通過進一步深入學習TensorFlow、PyTorch、MXNet等新一代深度學習平台來獲得。
最重要的是，還有待廣大的一線實盤操作人員結合專業的金融操盤經驗，與各種神經網路模型融會貫通，構建更加符合金融量化實際套用的神經網路模型，從而獲得更好的投資回報。
