博主最新文章
博主热门文章
AI技术研究院
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)后使用快捷导航没有帐号？
查看: 3448|回复: 7
Python学习
注册会员, 积分 175, 距离下一级还需 25 积分
论坛徽章:7
本帖最后由 ruanwenjuan 于
21:17 编辑
注册会员, 积分 175, 距离下一级还需 25 积分
论坛徽章:7
本帖最后由 ruanwenjuan 于
21:19 编辑
注册会员, 积分 175, 距离下一级还需 25 积分
论坛徽章:7
本帖最后由 ruanwenjuan 于
21:20 编辑
注册会员, 积分 175, 距离下一级还需 25 积分
论坛徽章:7
本帖最后由 ruanwenjuan 于
21:21 编辑
注册会员, 积分 175, 距离下一级还需 25 积分
论坛徽章:7
注册会员, 积分 175, 距离下一级还需 25 积分
论坛徽章:7
15.1 对捕食者序列拟合一个延迟设定为2的TAR模型。并用Stemseth等（）给出的框架解释结果。（读者也许想先行检验他们的框架对TAR模型来说是否近似有效。）另外，比较拟合模型与教材中延迟为3的TAR（2；1，4）模型。（veilleux）
library(TSA)
data(veilleux)
predator=veilleux[,1]
predator.eq=window(predator,start=c(7,1))
#拟合延迟为2的TAR(2;1,4)模型
predator.tar.2=tar(y=log(predator.eq),p1=4,p2=4,d=2,a=.1,b=.9,print=T)
time series included in this analysis is:&&log(predator.eq)
SETAR(2, 1 , 4 ) model delay = 2
estimated threshold =&&4.048&&from a Minimum AIC&&fit with thresholds
searched from the&&17&&percentile to the& &81&&percentile of all data.
The estimated threshold is the&&26.4&&percentile of
lower regime:
Residual Standard Error=0.2445
R-Square=0.997
F-statistic (df=2, 12)=
& && && && && && && && && &Estimate Std.Err t-value Pr(&|t|)
intercept-log(predator.eq)& &0.6&&1.2125& &0.2487
lag1-log(predator.eq)& && &&&0.6&&4.0817& &0.0015
(unbiased) RMS
with no of data falling in the regime being
log(predator.eq) 14
(max. likelihood) RMS for each series (denominator=sample size in the regime)
log(predator.eq) 0.05125
upper regime:
Residual Standard Error=0.2526
R-Square=0.9976
F-statistic (df=5, 34)=2830.15
& && && && && && && && && &Estimate Std.Err t-value Pr(&|t|)
intercept-log(predator.eq)& &4.6&&7.0990& &0.0000
lag1-log(predator.eq)& && &&&0.2&&6.3692& &0.0000
lag2-log(predator.eq)& && & -0.8 -1.2410& &0.2231
lag3-log(predator.eq)& && & -0.4 -0.9825& &0.3328
lag4-log(predator.eq)& && & -0.6 -2.1383& &0.0398
(unbiased) RMS
with no of data falling in the regime being
(max. likelihood) RMS for each series (denominator=sample size in the regime)
Nominal AIC is&&12.15
#查看以前的延迟为3的TAR模型
predator.tar.3=tar(y=log(predator.eq),p1=4,p2=4,d=3,a=.1,b=.9,print=T)
time series included in this analysis is:&&log(predator.eq)
SETAR(2, 1 , 4 ) model delay = 3
estimated threshold =&&4.661&&from a Minimum AIC&&fit with thresholds
searched from the&&17&&percentile to the& &81&&percentile of all data.
The estimated threshold is the&&56.6&&percentile of
lower regime:
Residual Standard Error=0.2341
R-Square=0.9978
F-statistic (df=2, 28)=6355.76
& && && && && && && && && &Estimate Std.Err t-value Pr(&|t|)
intercept-log(predator.eq)& &0.6&&0.8305& &0.4133
lag1-log(predator.eq)& && &&&1.4 14.4455& &0.0000
(unbiased) RMS
with no of data falling in the regime being
log(predator.eq) 30
(max. likelihood) RMS for each series (denominator=sample size in the regime)
log(predator.eq) 0.05114
upper regime:
Residual Standard Error=0.2676
R-Square=0.9971
F-statistic (df=5, 18)=
& && && && && && && && && &Estimate Std.Err t-value Pr(&|t|)
intercept-log(predator.eq)& &4.1&&3.2697& &0.0043
lag1-log(predator.eq)& && &&&0.3&&3.5005& &0.0026
lag2-log(predator.eq)& && & -0.8 -0.9648& &0.3474
lag3-log(predator.eq)& && &&&0.3&&0.6861& &0.5014
lag4-log(predator.eq)& && & -0.6 -2.2427& &0.0377
(unbiased) RMS
with no of data falling in the regime being
(max. likelihood) RMS for each series (denominator=sample size in the regime)
Nominal AIC is&&10.92
从上面的TAR拟合的结果：
延迟为2的模型估计阀值4.048，延迟为3的模型估计阀值4.661.因此只有14个数据相对较低，39是相对较高。
并且噪声变量0.8大于延迟为3的0.0.
par(mfcol=c(2,1))
tar.skeleton(predator.tar.3)
limit cycle of length&&10&&and it consists of&&4.9 3.3 4.2 4.6 5.7
tar.skeleton(predator.tar.2)
no limit cycle
&&tail part of the skeleton:
&&[1] 3.87 4.14 4.36 4.94 5.37 5.48 5.29 4.81 4.26 3.90 3.86 4.13 4.35 4.94 5.38 5.49
[17] 5.30 4.81 4.26 3.89 3.85 4.12 4.34 4.94 5.39 5.51 5.31 4.82 4.26 3.88 3.83 4.11
[33] 4.33 4.94 5.40 5.52 5.32 4.82 4.25 3.86 3.82 4.10 4.32 4.94 5.41 5.54 5.34 4.83
[49] 4.25 3.85
由图可见两个模型都收敛在有些的范围里。
15.2 对开方变换后的太阳黑子数据拟合一个TAR模型，并检验拟合优度。解释该拟合TAR模型。（spots）
& data(spots)
& AICM=NULL
& for(d in 1:5)
+ {spots.tar=tar(y=sqrt(spots),p1=5,p2=5,d=d,a=.1,b=.9)
+ AICM=rbind(AICM, c(d,spots.tar$AIC, signif(spots.tar$thd,5),
+ spots.tar$p1, spots.tar$p2))}
& colnames(AICM)=c('d','nominal AIC','r','p1','p2')
& rownames(AICM)=NULL
& &&&d nominal AIC& && &r p1 p2
[1,] 1& && & 149.9 5.
[2,] 2& && & 110.5 6.
[3,] 3& && & 124.6 6.
[4,] 4& && & 126.2 8.
[5,] 5& && & 150.5 8.
由AICM知，延迟为2的TAR(2;3,5)模型的AIC较低。
& spots.tar.1=tar(y=sqrt(spots),p1=5,p2=5,d=2,a=.1,b=.9,print=T)
time series included in this analysis is:&&sqrt(spots)
SETAR(2, 3 , 5 ) model delay = 2
estimated threshold =&&6.058&&from a Minimum AIC&&fit with thresholds
searched from the&&20&&percentile to the& &79&&percentile of all data.
The estimated threshold is the&&35.7&&percentile of
lower regime:
Residual Standard Error=0.9061
R-Square=0.9894
F-statistic (df=4, 16)=373.5257
& && && && && && && & Estimate Std.Err t-value Pr(&|t|)
intercept-sqrt(spots)& &9.6&&7.4432& &0.0000
lag1-sqrt(spots)& && &&&1.9&&6.1679& &0.0000
lag2-sqrt(spots)& && & -1.9 -4.1319& &0.0008
lag3-sqrt(spots)& && & -0.1 -2.2752& &0.0370
(unbiased) RMS
with no of data falling in the regime being
sqrt(spots) 20
(max. likelihood) RMS for each series (denominator=sample size in the regime)
sqrt(spots) 0.6569
upper regime:
Residual Standard Error=0.4627
R-Square=0.9977
F-statistic (df=6, 30)=
& && && && && && && & Estimate Std.Err t-value Pr(&|t|)
intercept-sqrt(spots)& &5.8&&6.6049& &0.0000
lag1-sqrt(spots)& && &&&0.0&&3.4677& &0.0016
lag2-sqrt(spots)& && &&&0.3&&3.2527& &0.0028
lag3-sqrt(spots)& && & -0.3 -0.5893& &0.5601
lag4-sqrt(spots)& && & -0.8 -3.3407& &0.0022
lag5-sqrt(spots)& && & -0.4 -1.5016& &0.1437
(unbiased) RMS
with no of data falling in the regime being
(max. likelihood) RMS for each series (denominator=sample size in the regime)
Nominal AIC is&&110.5
由于lag5-sqrt(spots) 的p-value=0.14并不是太显著，因此调整模型为延迟2的TAR(2；3，4)
& spots.tar.2=tar(y=sqrt(spots),p1=4,p2=4,d=2,a=.1,b=.9,print=T)
time series included in this analysis is:&&sqrt(spots)
SETAR(2, 3 , 4 ) model delay = 2
estimated threshold =&&6.058&&from a Minimum AIC&&fit with thresholds
searched from the&&16&&percentile to the& &82&&percentile of all data.
The estimated threshold is the&&35.1&&percentile of
lower regime:
Residual Standard Error=0.9061
R-Square=0.9894
F-statistic (df=4, 16)=373.5257
& && && && && && && & Estimate Std.Err t-value Pr(&|t|)
intercept-sqrt(spots)& &9.6&&7.4432& &0.0000
lag1-sqrt(spots)& && &&&1.9&&6.1679& &0.0000
lag2-sqrt(spots)& && & -1.9 -4.1319& &0.0008
lag3-sqrt(spots)& && & -0.1 -2.2752& &0.0370
(unbiased) RMS
with no of data falling in the regime being
sqrt(spots) 20
(max. likelihood) RMS for each series (denominator=sample size in the regime)
sqrt(spots) 0.6569
upper regime:
Residual Standard Error=0.4804
R-Square=0.9975
F-statistic (df=5, 32)=
& && && && && && && & Estimate Std.Err t-value Pr(&|t|)
intercept-sqrt(spots)& &4.2&&7.4847& &0.0000
lag1-sqrt(spots)& && &&&0.5&&3.9278& &0.0004
lag2-sqrt(spots)& && &&&0.3&&3.4618& &0.0015
lag3-sqrt(spots)& && & -0.4 -0.1109& &0.9124
lag4-sqrt(spots)& && & -0.4 -5.7925& &0.0000
(unbiased) RMS
with no of data falling in the regime being
(max. likelihood) RMS for each series (denominator=sample size in the regime)
Nominal AIC is&&113.7
15.3 使用习题15.2中的拟合模型预测未来10年里的年相对太阳黑子数。画出预测区间和预测的中位数。（spots）
15.6 画出经开方变换的野兔数据的滞后回归图。有无迹象表明野兔数据是非线性的？（hare）
15.7 对野兔数据进行正式的非线性检验（Keenan的检验，Tsay的检验和门限似然比检验）。野兔丰度过程是不是非线性的？解释你的结果。（hare）
15.8 假设野兔数据是非线性的，对其拟合一个TAR模型，并检验拟合优度。（hare）
新手上路, 积分 2, 距离下一级还需 48 积分
论坛徽章:0
本帖最后由 华丽的飞翔 于
07:54 编辑
大数据项目实战之Python金融应用编程(数据分析、定价与量化投资)
分享下载地址给大家——https://pan.baidu.com/s/1dL4j7o 密码: bkdd
https://pan.baidu.com/s/1qZU5dik 密码: g58q
本教程介绍使用Python进行数据分析和金融应用开发的基础知识。
课程从介绍简单的金融应用开始，带领学员回顾Python的基础知识，并逐步学习如何将Python应用到金融分析编程中。课程覆盖了Python的基本数据结构、输入输出、效率分析、数学库、随机分析库、统计分析库等。
接着课程以专题的形式介绍了Python与Excel的结合，学习如何使用Python的相关库生成Excel可调用的函数；Python与Hadoop和MongoDB结合进行大数据分析的基础知识。
最后课程介绍了Python的面向对象编程并介绍了两个案例：使用Python实现金融衍生品分析库以及使用Python实现事件驱动的量化投资系统，使学员在实战的环境下理解Python在金融应用开发中的具体应用方式，训练学员独立开发Python模块的能力。
第一讲、Python与金融应用概述
本讲主要介绍Python的基本特性，安装本课程所需要的Python环境，概述Python在金融数据分析中应用领域。本讲将使用一个简单的趋势投资的例子，讲解为什么使用Python进行金融数据分析和量化投资是非常方便的。
第二讲、Python的基本数据类型与数据结构
本讲介绍Python的基本数据类型与数据结构，包括基础Python和NumPy库提供的数据结构。
1、基本数据类型（整型、浮点型、字符型）
2、基本数据结构（元组、控制结构、函数编程、列表、字典、集合）
3、NumPy数据结构（使用Python列表实现的数组、常规NumPy数组、结构数组、内存分配）
第三讲、Python数据可视化
本讲介绍Python的matplotlib库提供的数据可视化技术，虽然Python还有很多其他的数据可视化方式，但是matplotlib提供了一种基准实现方式。
1、二维绘图（一维数据集、二维数据集，其他绘图模式，金融绘图）
第四讲、金融时间序列分析
在金融分析中常见的一种数据类型是金融时间序列数据，本章主要介绍Python的Pandas库对金融时间序列类型数据结构的实现——DataFrame和Series，以及如何运用这些工具进行基本的金融时间序列分析
1、Pandas基础（DataFrame类，基本分析技术，Series类，GroupBy操作）
2、金融数据
3、数据回归分析
4、高频金融数据
第五讲、输入输出操作
本讲介绍Python提供的基本输入输出操作，以及如何在金融数据分析与投资中有效的进行使用。
1、Python的基本I/O操作（将对象写入硬盘，读写文本文件、SQL数据库、读写NumPy数组）
2、使用Pandas的i/O操作（基本操作，SQL数据库，CSV文件、EXCEL文件）
3、使用PyTables进行快速I/O (使用Table，使用压缩的Table，数组操作，内存外运算)
第六讲、提升Python效率
本讲介绍Python中提供的提升计算效率的一些工具以及它们在金融数据分析与投资中的基本应用。
1、Python运行效率分析
内存分配与运行效率
2、并行计算（Monte Carlo算法、串行计算、并行计算）
3、动态编译（介绍例子、二叉树期权定价）
4、使用Cython静态编译
5、基于GPU生成随机数
第七讲、数学工具
本讲介绍Python提供的用于金融数据分析的数学方法与工具及其背景知识与应用方式。
1、近似（回归、插值）
2、凸优化（全局最优化、局部最优化、约束最优化）
3、积分（数值积分、模拟积分）
4、符号计算（基础、方程、积分、微分）
第八讲、随机分析
对不确定性的刻画与研究是金融研究与分析的重要方面，本讲介绍随机分析的一些知识，在金融数据分析与投资中的应用与Python实现。
2、模拟（随机变量、随机过程）
3、方差缩小技术
4、估值（欧式期权、美式期权）
5、风险测度指标（在险价值、信用风险）
第九讲、统计分析
统计分析是金融数据分析的核心，本讲介绍常用的统计分析方法、金融应用及其Python实现。
1、正态性检验
2、资产组合优化
3、主成分分析应用
4、贝叶斯回归分析
第十讲、数值分析技术
对于一些非线性、没有显式解的金融和数据分析问题，需要使用数值分析的技术，本讲介绍这些技术的基础及应用，以及Python的实现。
1、求解线性方程（LU分解、Cholesky分解、QR分解、Jacobi方法、Gauss-Seidel方法）
2、金融中的非线性模型（隐含波动率、Markov regime-switching模型、门限自回归模型、平稳转换模型）
3、求根方法
第十一讲、使用Python操作Excel
微软的Excel是常用的办公软件，是数据分析和应用的重要支撑。Python提供了丰富的与Excel交互的接口，本讲介绍这些接口并举例。
1、基本的电子表格交互
2、Python中的Excel脚本
第十二讲、Python面向对象编程与图形用户界面
本讲介绍Python面向对象编程技术，这是后续章节，特别是量化投资一章的基础，除此之外，本讲还介绍了Python图形用户界面编程的基本方法。
1、面向对象
2、图形用户界面
第十三讲、金融中的大数据技术概述
本讲介绍大数据技术在金融中的应用以及使用Python的基本实现。
1、Hadoop概述
2、使用Hadoop实现字符统计
3、Hadoop金融应用举例
4、NoSQL介绍
第十四讲、案例1：使用Python构建期权分析系统
本案例使用之前各讲介绍的Python金融应用相关知识，构建相对完整的期权分析系统，帮助学员掌握金融系统开发的要点以及Python整合应用的方式，与之前介绍相比，在案例分析中更多的使用面向对象方法。
1、估值框架（资本资产定价原理，风险中性定价，市场环境等介绍）
2、金融模型的模拟（随机数生成模块，泛型模拟类，几何布朗运动，带跳跃的扩散过程模拟模块，平方根扩散过程模拟模块）
3、衍生品估值模块（泛型估值类、欧式执行类、美式执行类）
4、衍生品分析库应用——波动率期权定价
第十五讲、案例2：使用Python构建简单的算法交易系统
算法与程序化交易是大数据时代计算机技术在金融领域应用的最重要方面之一。本讲介绍这方面的Python实现，包括基本交易、交易策略与回测等。
1、算法交易概述与框架
2、实现事件驱动交易引擎（事件驱动软件，事件类，数据处理类，策略类，投资组合类，执行处理类和回测类的基本编制，事件驱动执行）
3、交易策略实现（移动平均跨越策略，S&P500预测交易策略，均值回归股票配对交易策略）
4、策略优化（参数优化，模型选择，优化策略）
中级会员, 积分 319, 距离下一级还需 181 积分
论坛徽章:6
大数据项目实战之Python金融应用编程(数据分析、定价与量化投资)
分享下载地址给大家——https://pan.ba ...
非常不错的课程&&谢谢分享。。。
dataguru.cn All Right Reserved.苹果/安卓/wp
学科带头人
学科带头人
积分 4957, 距离下一级还需 868 积分
权限: 自定义头衔, 签名中使用图片, 隐身, 设置帖子权限, 设置回复可见
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡, 千斤顶下一级可获得
道具: 变色卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
开心签到天数: 120 天连续签到: 1 天[LV.7]常住居民III
本帖最后由 邢不行 于
12:02 编辑
本系列帖子“量化小讲堂”，通过实际案例教初学者使用python、pandas进行金融数据处理，希望能对大家有帮助。
【必读文章】:
【所有系列文章汇总】:
【python量化课程】想要快速、系统的学习量化知识，可以参与我与论坛合作开设的课程：，我会亲自授课，随问随答。参与课程还可以免费加入我的小密圈，我每天会在圈中分享量化的所见所思，圈子介绍点击。
微信：xbx_laoshi，量化交流Q群(快满)：，有问题欢迎交流。
文中用到的A股数据可在下载，这里可以下载到所有股票、从上市日起的交易数据、财务数据、分钟数据、分笔数据、逐笔数据等。
【量化小讲堂- Python、pandas技巧系列】如何快速上手使用Python进行金融数据分析
根据之前几篇系列帖子以及交流QQ群()中的反馈，让我觉的很有必要写一篇如何快速上手使用Pyhton进行系列分析的帖子。本文主要以此为主题，介绍下我学习量化投资、Python的个人经验。
第一步：好奇心
不要为了学习而去学习一门编程语言，或者任何工具。一定要心里首先有一个问题，抱着解决问题的心态，去了解并学习这个工具是如何解决问题的。驱动你去学习量化投资的，应该是你的好奇心。你认为你有一个炒股独家的窍门，你认为你发现了某个规律，你非常好奇的想用历史数据去验证你的想法。
比如我在大二的时候接触量化投资，就是因为我的好奇心。当时我看到一些入门的技术分析书上推荐KDJ这个技术指标，说KDJ低位金叉之后股票会涨，是个很好的买入信号，并且书上会配一些图，证明这个指标的有效性。我当时就很好奇，书上说的是不是真的？这几个配图是刻意挑选的还是有代表性的？是不是可以写个程序找出历史上所有的kdj金叉，看看之后涨的概率有多大?
这就是引领我入门的最初的好奇心。当时我不会编程，一开始用excel来试着验证，发现KDJ从大概率上来讲是不行的。好奇心继续升级：我调整一下KDJ默认的参数，效果会不会好一点？再配合一下其他的指标，效果会不会好一点？再加上点财务数据，效果会不会好一点......
慢慢的想测试的想法越来越多，excel渐渐的不够用，开始学习编程。我学习编程的目的性很强，就是解决我眼前的问题。对于解决我问题没有帮助的，我就先不学。一开始用的是SAS，自己找书看，论坛上发帖子问。后来觉得SAS太重，不灵活，慢慢的迁移到Python。
我是金融专业的，但是学校并不教量化投资，一切都是自己学。可想而知，若没有好奇心一直引导我去探索，这么长的一段时间我怎么可能坚持下来呢？
第二步：为什么Python
我推荐刚入门的量化投资研究者使用Python。主要理由如下：
Python配合各类第三方的package（例如下面要降到的pandas），是非常适合用来处理金融数据的
相比于c，c#等语言，Python容易太多了。让你可以更快，更方便的对自己的想法进行测试。life is short, use Python。
Matlab是另外一个金融分析领域的统治级语言，以上讲的两点适用性、简单性matlab都是具备的，在业界的使用范围应该是比Python要高的。
而Python相比于matlab的一大优势，那就是全能。matlab基本只能用于金融数据分析。但是Python除了拥有不亚于matlab的矩阵计算、科学计算能力之外，其他几乎任何事情都可以做。比如数据的清理、整理，比如从网页上抓取数据，比如进行文本信息的挖掘，比如做一个网站......现在学习一门语言，将来在任何地方都能用到。
第三步：如何入门Python
如果你有其他语言的编写经验（比如上过一个学期的编程课），有一定的编程基础。以下三步可以让你入门Python：
1. 随便找一本Pyhton入门书。这些教程网上有很多很多，论坛里面也有很多，随便搜索一下就是。我稍微整理了下，放在附件中，回复可见。
2. 挑一本Python入门书，不要花超过半天的时间，快速翻阅这本书。这个步骤不求记住什么东西，只要大概的知道这本书讲了什么，什么知识在这本书的哪一章写了就行，以便将来查阅。
3. 结合自己的好奇心，给自己寻找一个问题，简单的复杂的都可以，找一点数据，直接开始实战。遇到问题，第一步是去翻书，第二步是去google(别去百度)，第三步是论坛发帖求助。若你没有什么思路或者问题，可以加群<font color="#8143420，我可以给你提供思路。
如果你没有任何编程的基础，那么想要入门Python，也是以上三个步骤。但是第2步，就不是仅仅花半天的时间浏览书了，而是要细细的看书。对着书上的例子，实际的操作下，大概花一个星期的时间的业余时间也就够了吧。
（【python量化课程】想要快速、系统的学习量化知识，可以参与我与论坛合作开设的课程：，我会亲自授课，随问随答。参与课程还可以免费加入我的小密圈，我每天会在圈中分享量化的所见所思，圈子介绍点击。）
第四步：如何入门pandas
使用Python做金融数据分析，一定要用pandas。pandas是Python的一个第三方库，简直是金融数据分析的神器，第一次遇到它的时候让我泪流满面。了解pandas最好的途径就是他的官方文档：，当然也可以看我之前写的系列文章。
之后会讲的内容：
【量化小讲堂 - python & pandas技巧系列】如何根据逐笔数据计算资金流入流出数据
【量化小讲堂 - python & pandas技巧系列】如何测试海龟交易法则
【量化小讲堂 - python & pandas技巧系列】详细介绍复权价格如何计算
关于《量化小讲堂》之后想看的内容，或者相关问题，可以加我微信xbx_laoshi、Q群(快满)：沟通。
附件中是Python入门的相关书籍，回复可见，觉得文章内容有帮助的话，不要忘了顶贴哦！
本帖隐藏的内容
(173.01 KB)
11:52:39 上传
22:20:54 上传
Python比C++容易上手
首先感谢楼主的好帖和分享精神，其次 我这两天搜寻基础python教程，对比发现，国内老齐的教程最适合新手，网址是： https://github.com/qiwsir/StarterLearningPython
这个是网页格式，代码都可以直接复制。 当然，如果你一定崇尚老外教材，那么推荐的有（入门级）：http://vdisk.weibo.com/s/os417 其实我觉得老齐的版本和老外的版本大内容差不多，但是老齐显然写的更好点。
我直接给了下载网址了，附件格式对没币的屌丝太 ...
总评分:&经验 + 585&
论坛币 + 170&
学术水平 + 14&
热心指数 + 18&
信用等级 + 13&
本帖被以下文库推荐
& |主题: 607, 订阅: 42
& |主题: 7103, 订阅: 287
& |主题: 46, 订阅: 8
& |主题: 1297, 订阅: 603
& |主题: 93, 订阅: 73
& |主题: 106, 订阅: 32
& |主题: 1038, 订阅: 147
不管去哪里 只要在路上
take a look
本帖最后由 fantuanxiaot 于
00:17 编辑
首先感谢楼主的好帖和分享精神，其次 我这两天搜寻基础python教程，对比发现，国内老齐的教程最适合新手，网址是： & &&&这个是网页格式，代码都可以直接复制。 当然，如果你一定崇尚老外教材，那么推荐的有（入门级）：http://vdisk.weibo.com/s/os417 其实我觉得老齐的版本和老外的版本大内容差不多，但是老齐显然写的更好点。
我直接给了下载网址了，附件格式对没币的屌丝太郁闷了。&&有币的水友们打点赏吧 俺都不能下载其他人的资料了
总评分:&经验 + 130&
论坛币 + 82&
学术水平 + 12&
热心指数 + 13&
信用等级 + 11&
总评分:&学术水平 + 1&
热心指数 + 1&
信用等级 + 1&
& &有个错别字，“降”---&“讲& 。 :-)
本帖最后由 fantuanxiaot 于
00:18 编辑
Python比C++容易上手
总评分:&论坛币 + 20&
学术水平 + 1&
热心指数 + 1&
信用等级 + 1&
邢不行 发表于
本系列帖子“量化小讲堂”，通过实际的案例让大家知道如何使用Python、pandas进行金融数据处理。帖 ...希望这个栏目能一直办下去 谢谢楼主
[handshake][handshake]
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师}