《大数据人工智能研究之七：零基础python代码策略模型实战》由会员分享，可在线阅读，更多相关《大数据人工智能研究之七：零基础python代码策略模型实战（36页珍藏版）》请在金锄头文库上搜索。
1、C H I N A S E C U R I T I E S R E S E A R C HHTTP:/RESEARCH.CSC.COM.CN 请参阅最后一页的重要声明 证券证券研究报告研究报告金融金融工程工程深度报告深度报告 零基础零基础 pythonpython 代码策略模型实战代码策略模型实战： 大数据人工智能研究之七大数据人工智能研究之七 重要观点重要观点 本文概述本文概述 本文主要介绍了 python 基础、爬虫、与数据库交互、调用机器学 习、深度学习、NLP 等。分别介绍了各个模块的安装，环境的搭 建等。并且以机器学习选股为例，把各个模块连贯起来，核心代 码基本都有详尽的解释。 大数
2、据大数据 AI 时代时代，python 无往不胜无往不胜 Python 的包装能力、可组合性、可嵌入性都很好，可以把各种复 杂性包装在 Python 模块里,非常友好的供调用。 Python 资源丰富， 深度学习如 keras，机器学习如 sk-learn，科学计算如 numpy、 pandas，自然语言处理如 jieba 等。 Python 将将极大提高工作效率极大提高工作效率 无论是科学计算，还是图形界面显示；无论是机器学习还是深度 学习；无论是操作 excel,txt 等还是连接数据库；无论是搭建网站 还是爬虫； 无论是自然语言处理还是打包成 exe 执行文件， python 都能快速完
3、成。以最少的代码，最高效的完成。 人人人人可编写人工智能可编写人工智能模型模型 人工智能给人感觉难于入手，重要原因是机器学习、深度学习、 自然语言处理等门槛太高；python 则以最简洁的方式，让你快速 使用人工智能相关算法。本文以实战为目的，对模块的安装，搭 建环境，核心代码等进行了详细的介绍。 人工智能选股模型策略人工智能选股模型策略 以传统因子滚动 12 个月值为特征值，个股下一期按收益大小排 序，排名前 30%作为强势股，排名靠后 30%作为弱势股。用机器 学习算法进行训练预测。用当期因子作为输入，预测未来一个月 个股相对走势的强弱。根据个股的相对强势，我们把排名靠前 20%的作为多头
4、，排名后 20%的作为空头进行了研究，样本外 20090105 到 20171130 期间，行业中性等权年化多空收益差为 16.45%，年化波动率为 7.34%，最大回撤为 10.84%。 金融金融工程工程研研究究 丁鲁明丁鲁明 021-68821623 执业证书编号：S1440515020001 研究助理：喻银尤研究助理：喻银尤 021-68821600-808 发布日期： 2018 年 03 月 08 日 市场表现市场表现 相关研究报告相关研究报告 table_report18.02.02 大数据人工智能研究之六：机器学习因 子有效性分析 17.10.18 大数据研究之五：大数据、机器
5、学习、 深度学习在投资领域应用的方法论概述 17.08.16 大数据研究之四：基于新闻热度的周期、 成长、消费风格轮动配置 17.03.08 大数据研究之三：新闻情绪选股的多空 差策略 17.03.02 大数据研究之指标构建：机器学习之贝 叶斯文本分类算法的实现 16.10.12 大数据研究体系之择时篇：基于新闻热 度的多空策略 1 HTTP:/RESEARCH.CSC.COM.CN金融金融工程工程研究研究 金融工程专题报告 请参阅最后一页的重要声明 目录 目录 一、Python 介绍 . 4 1.1 Anaconda(Python IDE)的安装 . 4 1.2 Python 基础知识简介
6、. 5 二、Python 的科学计算库 . 7 2.1 Numpy 库 . 7 2.2 Pandas 库 . 7 2.3 Scipy 库 . 9 2.4 Matplotlib 库 . 10 三、Python 的爬虫相关库 .11 3.1 Scrapy 库 . 12 3.2 BeautifulSoup 库 . 13 3.3 Pyquery 库 . 14 四、Python 的数据交互 . 14 4.1 Python 与数据库的交互 . 14 4.2 Python 与 csv、excel 和 txt 文件的交互 . 15 4.3 Python 与 Wind 客户端的交互 . 17 五、Python 自然语言的处理 . 17 5.1 jieba 库 . 17 六、Python 与机器学习 . 19 6.1 Scikit-learn 库 . 19 6.2 分类算法，以朴素 Bayes 为例 . 20 6.3 回归算法：以 Logistic 为例 . 21 6.4 聚类算法：以 k-means 为例 .
