零起点TensorFlow与量化交易
读者评价
被书的标题吸引到，从图书馆借了一本。
半天扫完，发现对于入门者来说，会不知所云。堆砌了整篇的代码，想要给读者展示什么、达到什么目的。对于进阶者来说，还不如直接看源码加点注释看得快。
略鸡肋。没有具体的业务需要的话，不推荐。
如果是金融界的从业者，自己想简单的跑一跑玩一玩的话，可以大致看一看。
内容介绍
Python量化回溯、TensorFlow、PyTorch、MXNet深度学习平台以及神经网络模型，都是近年来兴起的前沿科技项目，相关理论、平台、工具目前尚处于摸索阶段。
TensorFlow是近年来影响大的神经网络、深度学习平台，本书从入门者的角度，对TensorFlow进行了介绍，《零起点TensorFlow与量化交易》中通过大量的实际案例，让初学者快速掌握神经网络和金融量化分析的基本编程，为进一步学习奠定扎实的基础。
《零起点TensorFlow与量化交易》中的案例、程序以教学为主，且进行了高度简化，以便读者能够快速理解相关内容，短时间了解Python量化回溯的整个流程，以及数据分析、机器学习、神经网络的应用。
《零起点TensorFlow与量化交易》仅仅作为入门课程，具体的实盘策略，有待广大读者通过进一步深入学习TensorFlow、PyTorch等新一代深度学习平台来获得。更重要的是，广大的一线实盘操作人员需要结合专业的金融操盘经验，与各种神经网络模型融会贯通，构建更加符合金融量化实际应用的神经网络模型，从而获得更好的投资回报收益。
目录
第1章 TensorFlow概述 1
第2章 无数据不量化（上） 12
第3章 无数据不量化（下） 51
第4章 人工智能与趋势预测 112
第5章 单层神经网络预测股价 156
第6章 MLP与股价预测 182
第7章 RNN与趋势预测 200
第8章 LSTM与量化分析 217
第9章 日线数据回溯分析 293
第10章 Tick数据回溯分析 318
计算图的抽象很漂亮（可媲美 TensorFlow）为 CPU 和 GPU 都做了优化很好地适应数值优化任务高级封装（Keras、Lasagne）缺点： 原始的 Theano 只有比较低级的 APIimport numpy for _ in range(T): h = torch.matmul(W, h) + b大型模型可能需要很长的编译时间不支持多 GPU错误信息可能没有帮助（有时候令人懊恼）3. Pytorch：2017 年 1 月，Facebook 将 Python 版本的 Torch 库（用 Lua 编写）开源。 优点： 提供动态计算图（意味着图是在运行时生成的），允许你处理可变长度的输入和输出，例如，在使用 RNN 时非常有用。另一个例子是，在 PyTorch 中，可以使用标准 Python 语法编写 for 循环语句。大量预训练模型大量易于组合的模块化组件易于编写自己的图层类型，易于在 GPU 上运行「Tensorboard」缺少一些关键功能时，「Losswise」可以作为 Pytorch 的替代品缺点： 正式文档以外的参考资料/资源有限无商业支持4. Tensorflow:由较低级别的符号计算库（如 Theano）与较高级别的网络规范库（如 Blocks 和 Lasagne）组合而成。
随着 TensorFLow 在研究及产品中的应用日益广泛，很多开发者及研究者都希望能深入学习这一深度学习框架。而在昨天机器之心发起的框架投票中，2144 位参与者中有 1441 位都在使用 TensorFlow 框架，是所有框架中使用率最高的。但 TensorFLow 这种静态计算图有一定的学习成本，因此也阻挡了很多初学者入坑。本文介绍了学习 TensorFlow 的系列教程，旨在通过简单的理论与实践帮助初学者一步步掌握 TensorFlow 的编程技巧。这一系列教程分为 6 部分，从为什么选择 TensorFlow 到卷积神经网络的实现，介绍了初学者所需要的技能。机器之心在本文介绍了 PyTorch 和 Caffe 等深度学习框架的优缺点及 TensorFlow 基础，包括静态计算图、张量、TensorBoard 可视化和模型参数的保存等。