第一章导论001
  第一节机器学习导论001
  第二节金融交易如何使用机器学习方法002
  第三节本书内容和结构008
 第一篇机器学习交易基础
  第二章机器学习基础011
   第一节机器学习的基本原理011
   第二节机器学习方法分类018
   第三节机器学习的常用算法023
  第三章Python编程基础028
   第一节Python的特点和发展028
   第二节Python的环境搭建029
   第三节Python的基本语法034
   第四节Python的数据处理044
   第五节Python的文件存取054
  第四章基于Python的机器学习软件包060
   第一节机器学习工具包Scikitlearn060
   第二节深度学习框架TensorFlow064
   第三节神经网络训练框架Keras070
  第五章国信iQuant量化交易平台084
   第一节国信iQuant的基本功能084
   第二节投资研究084
   第三节向导式策略生成器087
   第四节我的策略089
   第五节策略常用API097
  第六章交易策略学习模型的数据准备102
   第一节数据清理102
   第二节数据标准化107
   第三节数据中性化108
   第四节独热编码112
 第二篇机器学习回归分析
  第七章线性回归估值选股模型117
   第一节线性回归分析的基本思想117
   第二节线性回归算法实现118
   第三节线性回归估值选股模型121
  第八章逻辑回归收益率预测选股模型126
   第一节逻辑回归的基本思想126
   第二节逻辑回归的算法实现127
   第三节逻辑回归收益率预测选股模型128
 第三篇机器学习分类模型
  第九章决策树分类择时模型137
   第一节决策树分类模型的基本原理137
   第二节决策树的Python程序实现139
   第三节决策树分类模型的训练和测试143
   第四节决策树分类模型的程序化交易应用144
  第十章朴素贝叶斯分类择时模型145
   第一节朴素贝叶斯分类模型的基本原理145
   第二节朴素贝叶斯的Python程序实现147
   第三节朴素贝叶斯模型的程序化交易应用149
  第十一章支持向量机分类择时模型153
   第一节支持向量机分类模型的基本原理153
   第二节支持向量机分类模型的Python程序实现155
   第三节支持向量机分类模型的结果评价161
 第四篇机器学习聚类和关联分析
  第十二章K均值聚类分析选股模型165
   第一节K均值聚类分析的原理165
   第二节K均值聚类分析程序166
   第三节K均值多因子选股策略167
  第十三章Apriori股票关联分析模型175
   第一节Apriori算法的基本原理175
   第二节Apriori算法的Python代码176
   第三节利用Apriori算法挖掘高相关度股票179
 第五篇神经网络学习
  第十四章BP神经网络择时模型187
   第一节BP神经网络择时模型的基本原理187
   第二节BP神经网络择时模型的Python编程192
   第三节BP神经网络择时交易案例204
   第四节BP神经网络择时模型在国信iQuant的应用211
  第十五章循环神经网络择时模型221
   第一节循环神经网络择时模型的基本原理221
   第二节循环神经网络择时模型的Python编程224
   第三节循环神经网络择时交易案例230
  第十六章长短期记忆择时交易模型236
   第一节长短期记忆择时交易模型基本原理236
   第二节长短期记忆择时交易模型的Python编程242
   第三节长短期记忆择时交易案例251
  第十七章卷积神经网络择时交易模型259
   第一节卷积神经网络择时交易模型基本原理259
   第二节卷积神经网络择时交易模型的Python程序实现264
   第三节卷积神经网络择时交易案例271
  第十八章结语277
 参考文献281