本书是高等院校“智能+财经”系列“十四五”规划教材之一，按照从理论到案例的方式组织编写。书中内容涉及量化投资、因子投资、量化策略、线性回归与时间序列分析、机器学习、深度学习等领域，系统论述了量化投资、金融数据、量化金融第三方库、时间序列分析、配对交易策略、机器学习与量化投资、深度学习与量化投资，并在最后引入综合项目案例。全书结构合理、层次清晰、语言精练、理实一体，易于教学。
      本书配有教学大纲、PPT课件、程序代码、案例素材和实验等丰富的教学资源，适合作为高等院校人工智能、智能科学与技术、数据科学与大数据技术、计算金融、金融数学、数据科学、金融科技等专业的选修课教材，也可作为人工智能工程技术人员及金融科技从业人员的参考书
或培训教材。

      近年来，随着云计算、大数据、人工智能、物联网、区块链等新兴技术的快速发展，以互联网金融、量化投研、智能投顾、智能风控、智能客服等为代表的智能金融服务正处于逐步部署和实现过程中，产业形态逐步呈现出了虚拟化、个性化、自动化、智能化的特点。在智能金融2.0的发展过程中，机器学习、深度学习、机器视觉、语音识别、自然语言处理、知识图谱成为智能金融系统正常工作的关键技术，也是提供多样化应用服务的基础，其发展面临着人员素质、技术突破等多方面的瓶颈和挑战。
     “机器学习与量化投资（Python语言）”是一门涉及量化投资、因子投资、量化策略、线性回归与时间序列分析、机器学习、深度学习等领域的跨学科综合性课程。金融机构投资分析师大多没有金融科技方面的知识储备，市场系统介绍量化投资的教材较少，基于此，编者编写了本书。
     本书的主要编写思路是面向应用，以人类认识事物的基本规律为出发点，从简单到复杂、具体到抽象、特殊到一般，以实践为基础，带领读者学习机器学习与量化投资的基本知识框架、基本规律、基本方法、基本技能和综合实践。
     本书内容从理论到案例，分为8章。第1~7章主要论述了量化投资、金融数据描述、时间序列分析在量化交易中的应用、量化金融第三方库、配对交易策略、机器学习与量化投资、深度学习与量化投资。第8章编者精心设计了综合项目案例。
     全书内容编排结构合理、层次清晰、逻辑性强、语言精练、讲解透彻，为重要知识技能引入实战案例。书中所有案例数据均为虚拟数据，且案例均在Python平台真实验证，并为读者提供完整的实例与程序代码。
     工科专业学生最好具有统计分析、机器学习、深度学习的基础知识，财经专业学生最好具有计算机基础、Python、MySQL、统计学等方面的基本知识，以易于理解书中案例。编者已出版《智能金融》，后续会陆续主编《机器学习与财务分析（Python语言）》《智能财务（Python语言）》《机器学习与税务分析（Python语言）》《智能税务（Python语言）》《统计学Python语言）》等教材。
     本书配有丰富的教学资源，如教学大纲、教学设计、教学PPT课件、案例代码、案例素材和相关实验，读者可在中国铁道出版社教育资源数字化平台网站下载，网址为https://www.tdpress.com/51eds/，对本书的建议可发送至编者邮箱shbli@126.com。
     本书由李拴保任主编，文小才、渠慎明任副主编，具体编写分工为：第1~3章由李拴保编写，第4~6章由文小才编写，第7~8章由渠慎明编写。在教学中，工科专业建议总学时数为32~48学时，财经专业建议总学时数为48~64学时。
     本书的出版得到了中国铁道出版社有限公司的鼎力支持，在此致以衷心的感谢！限于编者学识水平有限，书中不足之处在所难免，恳请同行专家批评指正。？

第1章 量化投资  1
1.1 量化投资概述 2
1.1.1 量化投资管理的特点 2
1.1.2 量化投资市场.6
1.1.3 投资风险8
1.2 量化投资平台  8
1.3 量化投资策略  9
1.4 量化研究流程 . 10
实验 1 . 11

第2章 金融数据 .13
2.1 金融数据类型 13
2.1.1 数值类型变量. 13
2.1.2 字符串类型变量 . 15
2.1.3 列表类型变量 . 17
2.1.4 元组类型变量. 20
2.1.5 集合类型变量. 21
2.1.6 字典类型变量. 22
2.1.7 数据类型之间的转换  23
2.2 程序控制结构 24
2.2.1 条件判断语句  24
2.2.2 循环语句 . 26
2.3 函数 . 28
2.4 文件 . 29
2.5 面向对象程序设计 . 30
2.6 金融数据数学分析. 34
2.6.1 金融数据获取  34
2.6.2 NumPy 金融数据操作 . 34
2.6.3 Pandas 金融数据分析 . 37
2.6.4 Matplotlib 金融数据可视化 . 40
实验 2 . 42

第3章 时间序列分析在量化交易中的应用 44
3.1 时间序列相关性分析 . 44
3.1.1 协方差与自协方差  44
3.1.2 自相关与偏自相关系数 . 45
3.1.3 自相关与偏自相关系数的计算  45
3.2 时间序列平稳性分析 . 48
3.2.1 平稳性 . 48
3.2.2 平稳性校验  49
3.2.3 白噪声校验  53
3.3 时间序列协整性分析 . 54
3.3.1 协整关系 54
3.3.2 协整性校验  55
3.4 时间序列模型  57
3.4.1 自回归（AR）模型  57
3.4.2 移动平均（MA）模型  59
3.4.3 自回归移动平均（ARMA）模型 . 60
3.4.4 差分自回归移动平均（ARIMA）模型 . 63
3.5 时间序列模型拟合股票价格与预测股票价格  64
3.5.1 时间序列模型拟合股票价格  64
3.5.2 时间序列模型预测股票价格  67
实验 3 . 68

第4章 量化金融第三方库 .69
4.1 第三方库概述 . 69
4.2 TA-Lib  72
4.2.1 市场技术指标. 73
4.2.2 风险指标 . 91
4.3 两种经典策略实现 . 95
4.3.1 双均线策略  95
4.3.2 RSI 策略  98
实验 4 . 100

第5章 配对交易策略 102
5.1 配对交易的基本概念 . 102
5.2 配对交易回测框架 . 103
5.2.1 配对交易回测框架导图 . 103
5.2.2 数据获取模块  104
5.2.3 数据分析模块  105
5.2.4 主体策略模块. 108
5.2.5 回测结果统计模块  114
5.2.6 整体框架测试  115
实验 5 117

第6章 机器学习与量化投资 . 119
6.1 支持向量机模型预测股票的价格趋势 119
6.1.1 数据准备 . 119
6.1.2 支持向量机模型的训练与预测  123
6.1.3 支持向量机模型精度的提高  124
6.2 随机森林模型预测股票的价格趋势  127
6.2.1 随机森林模型的训练与预测  127
6.2.2 随机森林模型精度的提高 . 128
实验 6 . 129

第7章 深度学习与量化投资 .131
7.1 TensorFlow 的基本概念 . 131
7.2 神经网络模型的基本概念  132
7.2.1 神经网络的正向传播  132
7.2.2 神经网络的反向传播  133
7.2.3 循环神经网络的结构与训练  134
7.3 循环神经网络预测模型的搭建 . 135
7.3.1 训练集和测试集的划分 . 135
7.3.2 循环神经网络预测模型的构建  140
7.3.3 循环神经网络预测模型的预测与评估  142
机器学习与量化投资（Python语言）
7.4 卷积神经网络预测模型的构建预测与评估  148
7.4.1 卷积神经网络预测模型的构建  148
7.4.2 卷积神经网络预测模型的预测与评估  156
实验 7 . 156

第8章 综合项目案例 158
8.1 CNN-LSTM 堆叠模型框架  158
8.2 数据采集与归一化处理  159
8.3 CNN-LSTM 堆叠模型构建  161
8.4 CNN-LSTM 堆叠模型评估  161
8.5 CNN-LSTM 堆叠模型预测  176

李拴保，博士，副教授，河南财经金融学院智能科学与技术教学办公室主任，专业方向为人工智能、大数据、信息安全。执教近20年，是河南省教育厅学术技术带头人，智能金融研究中心负责人。？

①知识前沿，内容全面。
②实用性强，案例丰富。

③架构清晰，通俗易懂。