与定性投资相比，量化投资有很多优点。量化投资的核心是量化模型，而产生量化模型的主要方法是数据挖掘。在宏观经济分析、股价、选股、择时、交易执行的各个环节，都可以应用量化模型和方法。
0%
利用Python进行数据分析(11)：金融和经济数据应用
《利用Python进行数据分析》读书笔记。
第 11 章：金融和经济数据应用
自2005年开始，python在金融行业中的应用越来越多。
这主要得益于越来越成熟的函数库（NumPy和pandas）以及大量经验丰富的程序员。
许多机构发现python不仅非常适合成为交互式的分析环境，也非常适合开发文件的系统，所需的时间也比Java或C++少得多。
Python还是一种非常好的粘合层，可以非常轻松为C或C++编写的库构建Python接口。
金融分析领域的内容博大精深。在数据规整化方面所花费的精力常常会比解决核心建模和研究问题所花费的时间多得多。
在本章中，术语截面（cross-section）来表示某个时间点的数据。
例如标普500指数中所有成份股在特定日期的收盘价就形成了一个截面。
多个数据在多个时间点的截面数据就构成了一个面板（panel）。
面板数据既可以表示为层次化索引的DataFrame，也可以表示为三维的Panel pandas对象。
利用Python进行数据分析(12)：NumPy高级应用
《利用Python进行数据分析》读书笔记。
第 12 章：NumPy高级应用
利用Python进行数据分析(10)：时间序列
利用Python进行数据分析(9)：数据聚合和分组运算
《利用Python进行数据分析》读书笔记。
第 9 章：数据聚合和分组运算。
准备好数据集后，通常的任务是进行分组统计，或生成透视表。
pandas提供了 groupby 和 pivot， 可以方便的进行这些操作。
利用Python进行数据分析(8)：绘图和可视化
《利用Python进行数据分析》读书笔记。
第8章：绘图和可视化。
利用Python进行数据分析(7)：数据规整化：清理、转换、合并、重塑
数据分析和建模的大量编程工作都是在数据准备上的：加载、清理、转换以及重塑。
pandas和Python标准库提供了一组高级的、灵活的、高效的核心函数和算法，
能够轻松地将数据规整化为正确的形式。
尤其，Pandas 的许多功能都来自实际应用中的需求。
数据规整主要包括：合并数据集、重塑和轴向旋转、数据转换、字符串操作。
利用Python进行数据分析(6)：数据加载、存储与文件格式
《利用Python进行数据分析》读书笔记。
第6章：数据加载、存储与文件格式。
机器学习-1：绪论
《机器学习》
《机器学习》, 作者: (美)Tom Mitchell ，译者: 曾华军 / 张银奎 / 等
读书笔记目录。