本書是國內較早關于TensorFlow大數據與量化交易的原創圖書，配合zwPython開發平臺和zwQuant開源量化軟件學習，是一套完整的大數據分析、量化交易的學習教材，可直接用于實盤交易。本書有三大特色：*，以實盤個案分析為主，全程配有Python代碼；第二，包含大量的圖文案例和Python源碼，無須專業編程基礎，懂Excel即可開始學習；第三，配有專業的zwPython集成開發平臺、zwQuant量化軟件和zwDat數據包。
本書采用獨創的黑箱模式、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、神經網絡模型，以及它們在量化分析當中的具體應用。
《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臺來獲得。*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，與各種神經網絡模型融會貫通，構建更加符合金融量化實際應用的神經網絡模型，從而獲得更好的投資回報。
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。利用百度搜索引擎輸入AlphaGo，一度可以得出7000多萬條搜索結果，這遠遠高于其他熱門詞條。
事實上，AlphaGo只是Google擁有的兩套人工智能系統中的一套。它是Google 2014年收購的DeepMind的人工智能系統，專注于棋賽開發。Google的另外一套人工智能系統就是本書介紹的TensorFlow系統。
在TensorFlow等人工智能系統出現之前，計算機所做的事情往往是簡單重復的。計算機會按照人類編好的既定程序，簡單重復、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，根本的區別在于不具備學習和創新能力。
計算機頂多也就是記憶的信息多，重復計算的速度快，不受情緒的影響等。但是，在TensorFlow等人工智能系統出現之后，計算機所做的事情除簡單重復運行之外，更重要的是其具備了一定的自我學習和創新能力。
TensorFlow等人工智能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為代表的人工智能系統區別于以往任何計算機技術的關鍵所在，也是TensorFlow被稱為互聯網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能系統的出現，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能對金融領域的影響。
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、互聯網（含移動互聯網）階段和人工智能階段。
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；對于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能階段之后，人工智能系統將接受金融服務一方的身份特征數據、交易數據和行為數據等大數據，進行實時分析和動態跟蹤，以遠低于人工成本的成本，為每個人建立一個基于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、購房購車計劃、旅行休閑、子女教育、養老規劃等方面的金融建議和授權代理操作，并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，使得人工智能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，人工智能的應用前景無限美好；探尋當下，人工智能在世界各地的各行各業方興未艾。
千里之行，始于足下。何海群先生的《零起點TensorFlow與量化交易》是有志于人工智能領域的IT人士的一塊敲門磚和鋪路石。
祝愿人工智能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為代表的神經網絡，被視為自互聯網以來唯一的黑科技，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。
隨著類似于Titanic數據集案例、梵高畫風等一系列，基于TensorFlow等神經網絡、深度學習項目的不斷涌現，未來的各個學科都會結合人工智能（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神經網絡與量化交易》
? 《Plotly可視化數據分析》
本書是《零起點TensorFlow快速入門》的后續之作，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神經網絡與量化分析入門教程：
? 無需任何理論基礎，全程采用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應用，提供多組配套案例。
? 全套神經網絡股票趨勢預測、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 開發平臺 成套的教學案例，系統講解，逐步深入。
本書采用獨創的黑箱模式、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、神經網絡模型，以及它們在量化分析當中的具體應用。
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、人工智能、金融量化，它們的基本原理是相通的，本質上都是數據分析。對于Python量化三部曲的讀者而言，本書也有很大的價值，特別是對于第一部入門課程的讀者。
Python量化回溯與TensorFlow、PyTorch、MXNet等神經網絡深度學習平臺，都是近年來興起的科技前沿領域，有關的理論、平臺、工具目前還處于摸索階段。Python量化三部曲圖書和TopQuant.vip極寬智能量化系統，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、程序以教學為主，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、神經網絡在這些領域的應用操作技巧。
神經網絡、深度學習在量化實盤當中的應用，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應用案例。
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臺來獲得。
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，與各種神經網絡模型融會貫通，構建更加符合金融量化實際應用的神經網絡模型，從而獲得更好的投資回報。
網絡資源
為避免版本沖突，建議本書的讀者下載zwPython 2018m1版本的軟件和最新版本的《零起點TensorFlow與量化交易》配套課件程序，作為配套學習課件。配套程序的下載地址是http://www.broadview.com.cn/33584。
使用其他Python運行環境如Linux、Mac平臺的讀者，請盡量使用Python 3.5和TensorFlow 1.1版本，并自行安裝所需的其他模塊庫。
此外，需要注意的是，讀者在運行書中案例時得到的結果，可能與本書略有差別，甚至多次運行同一個案例的結果也會有所差異，這屬于正常情況。因為TensorFlow等深度學習系統，內部都使用了隨機數作為種子數，用于系統變量初始化等操作，每次分析的起點或者中間參數都有所不同。
本書的案例程序已經做過優化處理，不需要GPU顯卡，全部支持單CPU平臺。不過，為了提高運行效率，筆者建議盡量使用NVIDA公司最新一代的GPU顯卡。
目前是大數據、人工智能 時代，在這樣的時代，計算力=生產力。
與本書相關的網絡資源如下。
? 網站：http://www.TopQuant.vip http://www.ziwang.com。
? 網盤地址：http://pan.baidu.com/s/1jIg944u。
? 極寬量化QQ群：總群，124134140；QQ 2群，650924099；QQ 3群，450853713。
? 技術Blog：http://blog.sina.com.cn/zbrow。
? 字王Git項目總覽：https://github.com/ziwang-com/，包括：字王4k云字庫、zwPython、zwpy_lst。
與本書相關的程序和數據下載，請瀏覽網站：TopQuant.vip極寬量化社區，在網站的下載中心有最新的程序和數據下載地址。
本書在TopQuant.vip極寬量化網站設有專欄，若對本書、人工智能和機器學習有任何建議，請在網站專欄或QQ群留言，我們會在第一時間進行反饋和答復。
TopQuant極寬量化網站資源中心的網址：
http://www.topquant.vip/?p=56
http://ziwang.com/
致謝
本書的出版要特別感謝電子工業出版社的黃愛萍和葛娜編輯，感謝她們在選題策劃和稿件整理方面做出
何海群，網名：字王，CHRD前海智庫CTO，《中華大字庫》發明人，出版書籍20余部，在人工智能、數據分析等方面具有20年一線專業經驗；zwPython開發平臺、zwQuant量化軟件設計師，中國Python創客項目和Python產業聯盟發起人，國內首個Python量化課程：《Python量化實盤·魔鬼訓練營》創始人，極寬量化開源團隊的創始人。
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 運行環境模塊的安裝4
1.4.1 CUDA運行環境的安裝4
案例1-1：重點模塊版本測試5
案例1-2：GPU開發環境測試8
1.4.2 GPU平臺運行結果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：繪制金融數據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函數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智能量化回溯系統70
3.6 全內存計算70
案例3-5：增強版指數索引71
案例3-6：AI版索引數據庫73
3.7 股票池77
案例3-7：股票池的使用77
3.8 TQ_bar全局變量類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金融數據集的制作102
案例3-15：TDS金融數據集2.0105
案例3-16：讀取TDS金融數據集108
第4章 人工智能與趨勢預測112
4.1 TFLearn簡化接口112
4.2 人工智能與統計關聯度分析113
4.3 關聯分析函數corr113
4.3.1 Pearson相關系數114
4.3.2 Spearman相關系數114
4.3.3 Kendall相關系數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 效果評估函數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-Hot145
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 單層神經網絡預測股價156
5.1 Keras簡化接口156
5.2 單層神經網絡158
案例5-1：單層神經網絡模型158
5.3 神經網絡常用模塊168
案例5-2：可視化神經網絡模型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 MLP182
案例6-1：MLP價格預測模型183
6.2 神經網絡模型應用四大環節189
案例6-2：MLP模型評估190
案例6-3：優化MLP價格預測模型194
案例6-4：優化版MLP模型評估197
第7章 RNN與趨勢預測200
7.1 RNN200
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2211
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量化分析程序279
案例8-9：LSTM量化分析程序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 回溯主函數307
9.2.2 交易信號308
9.3 交易接口函數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金融模塊庫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：完整的量化分析程序343
10.2 Tick分時數據量化分析357
案例10-4：Tick分時量化分析程序357
總結371
附錄A TensorFlow 1.1函數接口變化372
附錄B 神經網絡常用算法模型377
附錄C 機器學習常用算法模型414
新書資訊