AI時代Python金融大數(shù)據(jù)分析實戰(zhàn):ChatGPT讓金融大數(shù)據(jù)分析插上翅膀
定 價:89 元
- 作者:關東升 著
- 出版時間:2024/1/1
- ISBN:9787301346181
- 出 版 社:北京大學出版社
- 中圖法分類:F830.41-39
- 頁碼:312
- 紙張:
- 版次:1
- 開本:16開
本書是一本針對金融領域的數(shù)據(jù)分析和機器學習應用的實用指南。本書以ChatGPT為核心技術,結合Python編程和金融領域的基礎知識,介紹如何利用ChatGPT處理和分析金融大數(shù)據(jù),進行預測建模和智能決策。
通過閱讀本書,讀者將掌握使用ChatGPT和其他工具進行金融大數(shù)據(jù)分析的基本原理和方法。無論是金融行業(yè) 從業(yè)者還是數(shù)據(jù)分析員,都可以從本書中獲得寶貴的實用知識,提升在金融領域的數(shù)據(jù)分析和決策能力。無論是對于初學者還是有一定經(jīng)驗的專業(yè)人士,本書都能夠提供實用的案例和技巧,幫助讀者更好地應用ChatGPT和其他技術解決金融領域的實際問題。
關東升
----------------------------
關東升,在IT領域有20多年的開發(fā)經(jīng)驗,軟件架構師、高級培訓講師、IT作家。熟悉Java、Kotlin、Python、iOS、Android、游戲開發(fā)、數(shù)據(jù)庫開發(fā)與設計、軟件架構設計等多種IT技術。參與設計和開發(fā)北京市公交一卡通百億級大型項目,開發(fā)國家農(nóng)產(chǎn)品追溯系統(tǒng)、金融系統(tǒng)微博等移動客戶端項目。近期為中國移動、中國聯(lián)通、南方航空、中石油、工商銀行、平安銀行和天津港務局等企事業(yè)單位授課。著有《看漫畫學Python:有趣、有料、好玩、好用(全彩版)》《漫畫Java》《Java 從小白到大!贰禤ython 從小白到大牛》《iOS 開發(fā)指南》等50多部計算機書籍。
第1章
ChatGPT在金融大數(shù)據(jù)分析中的作用
1.1 ChatGPT生成金融數(shù)據(jù)分析代碼示例的案例2
1.1.1 案例1:生成數(shù)據(jù)清洗和預處理代碼示例2
1.1.2 案例2:生成特征工程代碼示例3
1.2 ChatGPT回答金融領域知識的案例3
1.2.1 案例3:解答金融市場知識4
1.2.2 案例4:解釋經(jīng)濟學理論4
1.2.3 案例5:解答金融產(chǎn)品相關問題5
1.2.4 案例6:解答金融風險管理相關問題5
1.3 ChatGPT輔助發(fā)現(xiàn)數(shù)據(jù)中的模式和特征6
1.4 本章總結6
第2章
金融大數(shù)據(jù)分析Python基礎
2.1 Python解釋器8
2.2 IDE工具10
2.2.1 安裝Jupyter Notebook10
2.2.2 啟動Jupyter Notebook11
2.3 第一個Python程序13
2.3.1 編寫腳本文件運行第一個Python程序13
2.3.2 使用Jupyter Notebook編寫和運行第一個Python程序13
2.4 Python語法基礎14
2.4.1 標識符14
2.4.2 關鍵字14
2.4.3 變量聲明15
2.4.4 語句15
2.4.5 Python代碼塊16
2.4.6 模塊16
2.5 數(shù)據(jù)類型與運算符18
2.5.1 數(shù)據(jù)類型18
2.5.2 運算符20
2.6 控制語句24
2.6.1 分支語句24
2.6.2 循環(huán)語句26
2.6.3 跳轉語句28
2.7 序列29
2.7.1 索引操作 30
2.7.2 序列切片31
2.7.3 可變序列——列表32
2.7.4 不可變序列——元組33
2.7.5 列表推導式34
2.8 集合35
2.8.1 創(chuàng)建集合35
2.8.2 集合推導式36
2.9 字典36
2.9.1 創(chuàng)建字典37
2.9.2 字典推導式38
2.10 字符串類型38
2.10.1 字符串表示方式38
2.10.2 字符串格式化40
2.11 函數(shù)40
2.11.1 匿名函數(shù)與lambda表達式41
2.11.2 數(shù)據(jù)處理中的兩個常用函數(shù)43
2.12 文件操作44
文件讀寫45
2.13 異常處理48
2.13.1 捕獲異常48
2.13.2 釋放資源49
2.14 多線程52
創(chuàng)建線程52
2.15 本章總結55
第3章
金融大數(shù)據(jù)的獲取
3.1 金融大數(shù)據(jù)概述57
3.1.1 數(shù)據(jù)來源57
3.1.2 數(shù)據(jù)采集工具和技術58
3.2 網(wǎng)絡爬蟲58
3.2.1 網(wǎng)絡爬蟲原理58
3.2.2 網(wǎng)絡爬蟲的應用59
3.2.3 使用urllib爬取靜態(tài)網(wǎng)頁數(shù)據(jù)59
3.2.4 案例1:爬取納斯達克股票數(shù)據(jù)60
3.3 解析數(shù)據(jù)62
3.3.1 使用BeautifulSoup庫63
3.3.2 案例2:解析納斯達克股票數(shù)據(jù)63
3.3.3 使用Selenium爬取動態(tài)網(wǎng)頁數(shù)據(jù)67
3.3.4 案例3:爬取搜狐證券貴州茅臺股票數(shù)據(jù)69
3.3.5 案例4:使用Selenium解析HTML數(shù)據(jù)71
3.4 使用API調(diào)用獲取數(shù)據(jù)72
3.4.1 常見的金融數(shù)據(jù)API73
3.4.2 使用TushareAPI獲取數(shù)據(jù)74
3.4.3 案例5:使用Tushare API獲取貴州茅臺股票數(shù)據(jù)74
3.5 使用ChatGPT輔助獲取數(shù)據(jù)76
3.5.1 案例6:使用ChatGPT解釋和理解數(shù)據(jù)格式76
3.5.2 案例7:使用ChatGPT提供數(shù)據(jù)處理示例代碼77
3.5.3 案例8:使用ChatGPT幫助解決數(shù)據(jù)獲取問題79
3.6 本章總結80
第4章
金融大數(shù)據(jù)基礎庫:NumPy
4.1 NumPy庫82
4.1.1 為什么選擇NumPy82
4.1.2 安裝NumPy庫83
4.2 創(chuàng)建數(shù)組83
4.2.1 創(chuàng)建一維數(shù)組83
4.2.2 指定數(shù)組數(shù)據(jù)類型84
4.2.3 創(chuàng)建一維數(shù)組更多方式85
4.2.4 使用arange函數(shù)85
4.2.5 等差數(shù)列與linspace函數(shù)86
4.2.6 等比數(shù)列與logspace函數(shù)88
4.3 二維數(shù)組 89
創(chuàng)建二維數(shù)組89
4.4 創(chuàng)建二維數(shù)組更多方式90
4.4.1 使用ones函數(shù)90
4.4.2 使用zeros函數(shù)91
4.4.3 使用empty函數(shù)91
4.4.4 使用full函數(shù)92
4.4.5 使用identity函數(shù)93
4.4.6 使用eye函數(shù)94
4.5 數(shù)組的屬性95
4.6 數(shù)組的軸95
4.7 三維數(shù)組96
4.8 訪問數(shù)組96
4.8.1 索引訪問96
4.8.2 切片訪問98
4.8.3 花式索引100
4.9 本章總結100
第5章
金融大數(shù)據(jù)分析庫:Pandas
5.1 Pandas庫介紹102
5.1.1 為什么選擇Pandas102
5.1.2 安裝Pandas庫103
5.2 Series數(shù)據(jù)結構103
5.2.1 理解Series數(shù)據(jù)結構103
5.2.2 創(chuàng)建Series對象104
5.2.3 訪問Series數(shù)據(jù)106
5.2.4 通過下標訪問Series數(shù)據(jù)107
5.2.5 通過切片訪問Series數(shù)據(jù)107
5.3 DataFrame數(shù)據(jù)結構110
創(chuàng)建DataFrame對象110
5.4 訪問DataFrame數(shù)據(jù)113
5.4.1 訪問DataFrame列113
5.4.2 訪問DataFrame行114
5.4.3 切片訪問115
5.5 本章總結116
第6章
金融大數(shù)據(jù)的預處理與清洗
6.1 數(shù)據(jù)清洗和預處理118
6.1.1 使用ChatGPT輔助數(shù)據(jù)清洗118
6.1.2 案例1:使用ChatGPT輔助分析股票
數(shù)據(jù)119
6.1.3 案例2:處理股票數(shù)據(jù)缺失值問題120
6.1.4 案例3:處理股票數(shù)據(jù)類型不一致問題123
6.1.5 案例4:處理股票數(shù)據(jù)異常值問題124
6.2 本章總結125
第7章
金融大數(shù)據(jù)的存儲
7.1 使用MySQL數(shù)據(jù)庫127
7.1.1 MySQL數(shù)據(jù)庫管理系統(tǒng)127
7.1.2 安裝MySQL8數(shù)據(jù)庫128
7.1.3 客戶端登錄服務器130
7.1.4 圖形界面客戶端工具130
7.1.5 安裝PyMySQL庫135
7.1.6 訪問數(shù)據(jù)庫的一般流程136
7.1.7 案例1:訪問蘋果股票數(shù)據(jù)138
7.2 使用Pandas讀寫MySQL數(shù)據(jù)庫141
7.2.1 示例2:使用Panda從數(shù)據(jù)庫讀取股票數(shù)據(jù)141
7.2.2 示例3:使用Pandas寫入股票數(shù)據(jù)到
數(shù)據(jù)庫143
7.3 使用Pandas讀寫Excel文件144
7.3.1 示例4:使用Pandas從Excel文件讀取股票數(shù)據(jù)144
7.3.2 示例5:使用Pandas寫入股票數(shù)據(jù)到Excel文件145
7.4 使用Pandas讀寫CSV文件146
7.4.1 案例6:從CSV文件讀取貨幣供應量
數(shù)據(jù)147
7.4.2 示例7:使用Pandas寫入股票數(shù)據(jù)到CSV文件148
7.5 JSON數(shù)據(jù)交換格式149
7.5.1 JSON文檔結構149
7.5.2 JSON數(shù)據(jù)編碼150
7.5.3 JSON數(shù)據(jù)解碼153
7.5.4 案例8:解碼搜狐證券貴州茅臺股票
數(shù)據(jù)154
7.6 本章總結156
第8章
金融大數(shù)據(jù)可視化基礎庫:Matplotlib
8.1 金融大數(shù)據(jù)可視化庫158
8.2 金融大數(shù)據(jù)可視化方法和圖表類型158
8.3 使用Matplotlib繪制圖表159
8.3.1 安裝Matplotlib159
8.3.2 圖表的基本構成要素160
8.3.3 繪制折線圖160
8.3.4 繪制柱狀圖161
8.3.5 繪制餅狀圖162
8.3.6 繪制散點圖163
8.3.7 繪制子圖表164
8.3.8 案例1:繪制貴州茅臺股票歷史成交量
折線圖167
8.3.9 案例2:繪制貴州茅臺股票O(jiān)HLC
折線圖169
8.4 mplfinance庫170
8.4.1 K線圖170
8.4.2 繪制K線圖171
8.4.3 案例3:繪制貴州茅臺股票K線圖171
8.5 繪制移動平均線圖172
8.5.1 案例4:繪制貴州茅臺股票5日和10日移動
平均線圖173
8.5.2 案例5:繪制K線圖+移動平均線圖175
8.6 本章總結177
第9章
金融大數(shù)據(jù)可視化進階庫:Seaborn
9.1 Seaborn庫概述179
9.1.1 使用Seaborn圖表的主要優(yōu)點179
9.1.2 安裝Seaborn庫179
9.1.3 設置Seaborn的樣式180
9.2 箱線圖181
9.3 小提琴圖182
9.4 關聯(lián)線圖183
9.5 關聯(lián)散點圖184
9.6 密度圖186
9.7 Dist圖187
9.8 線性回歸圖188
9.9 熱力圖189
9.10 本章總結191
第10章
金融大數(shù)據(jù)分析
10.1 ChatGPT輔助金融大數(shù)據(jù)分析193
10.2 數(shù)據(jù)的統(tǒng)計分析方法194
10.3 描述統(tǒng)計分析194
10.3.1 在Pandas中常用的描述統(tǒng)計方法195
10.3.2 案例1:使用描述統(tǒng)計方法分析貴州茅臺股票數(shù)據(jù)198
10.4 頻數(shù)分析203
10.4.1 案例2:分析信用卡交易金額的頻數(shù)分布204
10.4.2 案例3:分析貴州茅臺股票交易量頻數(shù)
分布205
10.5 相關性分析206
10.5.1 案例4:股票行業(yè)相關性分析207
10.5.2 案例5:使用ChatGPT輔助分析皮爾遜相關系數(shù)208
10.6 時間序列分析209
10.6.1 案例6:采用MA分析貴州茅臺股票的價格走勢210
10.6.2 案例7:采用AR分析貴州茅臺股票的價格走勢218
10.7 本章總結223
第11章
機器學習與金融大數(shù)據(jù)預測建模
11.1 機器學習策略225
11.1.1 機器學習策略分類225
11.1.2 Python機器學習庫226
11.1.3 機器學習策略的實施過程227
11.2 案例1:使用Scikit-learn分類策略預測
蘋果股票走勢228
11.3 案例2:使用Scikit-learn回歸策略預測
蘋果股票走勢233
11.4 案例3:使用Keras深度學習庫預測蘋果
股票走勢241
11.5 本章總結250
第12章
ChatGPT在金融大數(shù)據(jù)分析中的應用與優(yōu)勢
12.1 ChatGPT在金融領域中的自動化客戶服務與智能助理方面的應用252
12.1.1 案例1:ChatGPT應用于金融領域中的智能問答和問題解決252
12.1.2 案例2:ChatGPT應用于金融領域中的個性化建議和推薦254
12.1.3 案例3:ChatGPT應用于金融領域中的自動化投資助理254
12.2 ChatGPT在金融領域中的情感分析和輿情監(jiān)測方面的應用256
12.2.1 案例4:ChatGPT在金融市場情感分析中的應用256
12.2.2 案例5:ChatGPT在輿情監(jiān)測中的應用257
12.3 ChatGPT在金融領域中的文檔處理方面的應用258
12.4 與ChatGPT對話的文本語言——
Markdown259
12.4.1 Markdown基本語法259
12.4.2 使用Markdown工具 262
12.4.3 案例6:利用ChatGPT撰寫ABC銀行年度
財務報告265
12.4.4 將Markdown格式文檔轉換為Word
文檔267
12.4.5 將Markdown格式文檔轉換為PDF
文檔268
12.4.6 案例7:利用ChatGPT生成ABC銀行資產(chǎn)
負債表269
12.5 本章總結273
第13章
金融案例與實踐
13.1 實踐案例1:使用ARIMA模型預測USD/CNY匯率275
13.1.1 案例背景275
13.1.2 有關匯率的基本概念275
13.1.3 收集數(shù)據(jù)276
13.1.4 案例實現(xiàn)過程277
13.2 實踐案例2:基于深度學習的黃金期貨價格預測282
13.2.1 有關期貨的基本概念282
13.2.2 期貨交易中的多頭和空頭策略及其風險管理283
13.2.3 收集數(shù)據(jù)283
13.2.4 案例實現(xiàn)過程285
13.3 實踐案例3:基于深度學習的比特幣價格預測291
13.3.1 數(shù)字貨幣相關的基本概念292
13.3.2 收集數(shù)據(jù)292
13.3.3 案例實現(xiàn)過程293
13.4 本章總結302