量化交易实例（含python常见函数的使用方法）

【实例截图】

【核心代码】

2020-08-01量化交易code

├── 04-Python语言入门
│   ├── bin_data.npy
│   ├── cdv_data.csv
│   ├── foo.csv
│   ├── foo.xlsx
│   ├── numpy_basic.ipynb
│   ├── pandas_basic.ipynb
│   ├── python3.5_basic.ipynb
│   └── txt_data.txt
├── 05-传统机器学习初步
│   ├── Apriori_Association_Rule_Mining.ipynb
│   ├── SVR.py
│   ├── boston.csv
│   ├── decition_tree.py
│   ├── k-means.py
│   ├── linear_regression.py
│   ├── multi-variate_linear_regression
│   │   ├── BloodPressure.csv
│   │   ├── multi-variate_linear_regression.ipynb
│   │   └── readme.txt
│   ├── store_data.csv
│   ├── tree.png
│   └── xclara.csv
├── 06-深度学习初步
│   ├── AAPLnew.csv
│   ├── CNN_1timeseries_nstep.py
│   ├── CNN_ntimeseries_nstep.py
│   ├── INTCnew.csv
│   ├── LSTM_1timeseries_nstep.py
│   ├── LSTM_ntimeseries_nstep.py
│   ├── MLP_1timeseries_nstep.py
│   ├── MLP_ntimeseries_nstep.py
│   ├── MSFTnew.csv
│   ├── REF
│   │   ├── AAPLnew.csv
│   │   ├── MLP_1timeseries_1step.py
│   │   └── Utils_1timeseries_nstep.py
│   ├── Utils_1timeseries_nstep.py
│   ├── Utils_ntimeseries_nstep.py
│   ├── YHOOnew.csv
│   ├── __pycache__
│   │   ├── Utils_1timeseries_nstep.cpython-35.pyc
│   │   └── Utils_ntimeseries_nstep.cpython-35.pyc
│   └── model.h5
├── 07-统计分析初步
│   ├── AAPLnew.csv
│   ├── ARIMA_timeseries_predict3.ipynb
│   ├── data
│   │   └── TSLA_data.csv
│   └── hmm_stock_predict.ipynb
├── 08-数据准备
│   ├── 000001.SZ.csv
│   ├── 000001.SZ.new.csv
│   ├── AAPL.csv
│   ├── AAPLnew.csv
│   ├── FB.csv
│   ├── INTC.csv
│   ├── MSFT.csv
│   ├── PDD.csv
│   ├── YHOO.csv
│   ├── download_tushare1.py
│   ├── multiple_subplots.ipynb
│   ├── read_write_CSV.py
│   ├── read_write_tushare_CSV1.py
│   ├── showPrice1.py
│   ├── showPrice2.py
│   ├── showPrice3.py
│   └── symbols.txt
├── 09-基于规则的策略
│   ├── AAPLnew.csv
│   ├── MyRSIStrategy.py
│   └── SMACrossOver.py
├── 10-基于分类的交易策略（股票内）
│   ├── AAPLnew.csv
│   └── MyDTStrategy.py
├── 11-基于回归的交易策略（股票内）
│   ├── AAPLnew.csv
│   ├── MinMaxScalerExample.py
│   ├── MinMaxScalerExample_new.py
│   └── MyDTRStrategy.py
├── 12-基于回归的交易策略（股票间）
│   ├── AAPLnew.csv
│   ├── INTCnew.csv
│   ├── MSFTnew.csv
│   ├── MySVRStrategy.py
│   └── YHOOnew.csv
├── 13-基于统计分析的交易策略
│   ├── AAPLnew.csv
│   └── MyARIMAStrategy.py
├── 14-策略和算法参数的优化
│   ├── AAPLnew.csv
│   ├── INTCnew.csv
│   ├── MSFTnew.csv
│   ├── MyRSIStrategy.py
│   ├── Optimize_local.py
│   ├── Optimize_server.py
│   ├── Optimize_worker.py
│   ├── YHOOnew.csv
│   ├── __pycache__
│   │   └── MyRSIStrategy.cpython-35.pyc
│   ├── correlation.py
│   ├── correlation_lag.py
│   └── run_MyRSIStrategy.py
├── 15-其他算法与算法的组合
│   ├── AAPLnew.csv
│   ├── MyDT2KNNStrategy.py
│   ├── MyDTR2SVRStrategy.py
│   ├── MyDTR_SVR_GBRStrategy.py
│   └── MyDT_KNN_SVCStrategy.py
├── 16-基于深度学习模型的交易策略
│   ├── AAPLnew.csv
│   ├── MyMLPStrategy.py
│   ├── REF
│   │   ├── MLP_1timeseries_nstep.py
│   │   └── Utils_1timeseries_nstep.py
│   └── model.h5
└── 17-其它话题
    ├── AAPLnew.csv
    ├── INTCnew.csv
    ├── MSFTnew.csv
    ├── PY-Stock-Market-Clustering-master
    │   ├── README.md
    │   ├── SP_500_close_2015.csv
    │   ├── SP_500_firms.csv
    │   ├── Stock Market Analysis Parts 1&2- Stock Returns and Correlations.ipynb
    │   ├── Stock Market Analysis Parts 3- Clustering.ipynb
    │   └── Stock Market Analysis- TASK Description.pdf
    ├── YHOOnew.csv
    ├── arch
    │   ├── AAPLnew.csv
    │   ├── arch.ipynb
    │   └── garch_test.ipynb
    ├── machine-learning-cluster-analysis-master
    │   ├── 50.csv
    │   ├── README.md
    │   ├── SP_500_close_2015.csv
    │   ├── data
    │   │   └── stock_portfolio.csv
    │   ├── features.csv
    │   ├── groups.csv
    │   ├── h_clustering.ipynb
    │   ├── k-means clustering stocks for diverse portfolio.ipynb
    │   ├── k_clustering.ipynb
    │   ├── kmeans_clustering_stocks.ipynb
    │   ├── stock_portfolio.csv
    │   └── temp_clustering.py
    ├── portfolio_selection.ipynb
    ├── text_attention
    │   ├── text.csv
    │   └── text_attention.ipynb
    └── timeseries_attention
        ├── mean_subtract_standardize.ipynb
        ├── model.h5
        ├── my_timeseries_attention.ipynb
        ├── timeseries_attention.ipynb
        └── timeseries_attention_scale.ipynb

26 directories, 130 files