量化投資：交易模型開發(fā)與數(shù)據(jù)挖掘

第 1 章\t量化投資入門\t1
1．1\t量化投資及定義\t1
1．2\t量化投資與傳統(tǒng)投資的比較\t2
1．2．1\t兩種投資策略簡介\t2
1．2．2\t量化投資相對于傳統(tǒng)投資的主要優(yōu)勢\t2
1．3\t量化投資的國外發(fā)展現(xiàn)狀及國內(nèi)投資市場未來展望\t4
1．3．1\t量化金融和理論的建立過程\t4
1．3．2\t國外量化投資基金的發(fā)展歷史\t5
1．3．3\t國內(nèi)量化投資基金的發(fā)展歷史\t8
1．3．4\t國內(nèi)投資市場未來展望\t8
1．4\t突發(fā)匯率、加息、商譽的應對方法\t9
1．4．1\t突發(fā)匯率變化和加息的應對方法\t10
1．4．2\t面對商譽減值的應對方法\t12
第 2 章\t量化投資策略的設計思路\t17
2．1\t量化投資策略的研發(fā)流程\t18
2．2\t量化投資策略的可行性研究\t20
2．3\t量化平臺常用語言―Python \t22
2．3．1\tPython 簡介\t22
2．3．2\t量化基礎語法及數(shù)據(jù)結構\t23
2．3．3\t量化中函數(shù)的定義及使用方法\t40
2．3．4\t面向對象編程 OOP 的定義及使用方法\t43
2．3．5\titertools 的使用方法\t48
2．4\t量化投資工具―Matplotlib \t51
2．4．1\tMatplotlib 基礎知識\t52
2．4．2\tMatplotlib 可視化工具基礎\t56
2．4．3\tMatplotlib 子畫布及 loc 的使用\t58
2．5\tMatplotlib 繪制 K 線圖的方法\t61
2．5．1\t安裝財經(jīng)數(shù)據(jù)接口包（Tushare）和繪圖包（mpl_finance）\t61
2．5．2\t繪制 K 線圖示例\t62
第 3 章\t量化投資策略回測\t65
3．1\t選擇回測平臺的技巧\t65
3．1．1\t根據(jù)個人特點選擇回測平臺\t66
3．1．2\t回測平臺的使用方法與技巧\t66
3．2\t調(diào)用金融數(shù)據(jù)庫中的數(shù)據(jù)\t68
3．2．1\t歷史數(shù)據(jù)庫的調(diào)取\t68
3．2．2\t數(shù)據(jù)庫的分析方法與技巧\t72
3．3\t回測與實際業(yè)績預期偏差的調(diào)試方法\t74
3．4\t設置回測參數(shù)\t75
3．4．1\tstart 和 end 回測起止時間\t75
3．4．2\tuniverse 證券池\t76
3．4．3\tbenchmark 參考基準\t78
3．4．4\tfreq 和 refresh_rate 策略運行頻率\t78
3．5\t賬戶設置\t83
3．5．1\taccounts 賬戶配置\t83
3．5．2\tAccountConfig 賬戶配置\t85
3．6\t策略基本方法\t88
3．7\t策略運行環(huán)境\t89
3．7．1\tnow\t90
3．7．2\tcurrent_date\t90
3．7．3\tprevious_date\t91
3．7．4\tcurrent_minute\t91
3．7．5\tcurrent_price\t92
3．7．6\tget_account\t93
3．7．7\tget_universe\t93
3．7．8\ttransfer_cash\t95
3．8\t獲取和調(diào)用數(shù)據(jù)\t96
3．8．1\thistory\t96
3．8．2\tget_symbol_history\t103
3．8．3\tget_attribute_history\t105
3．8．4\tDataAPI\t107
3．9\t賬戶相關屬性\t107
3．9．1\t下單函數(shù)\t107
3．9．2\t獲取賬戶信息\t115
3．10\t策略結果展示\t120
3．11\t批量回測\t122
第 4 章\t量化投資擇時策略與選股策略的推進方法\t125
4．1\t多因子選股策略\t125
4．1．1\t多因子模型基本方法\t125
4．1．2\t單因子分析流程\t126
4．1．3\t多因子（對沖）策略邏輯\t134
4．1．4\t多因子（裸多）策略邏輯\t139
4．2\t多因子選股技巧\t141
4．2．1\t定義股票池\t141
4．2．2\t指標選股\t143
4．2．3\t指標排序\t145
4．2．4\t查看選股\t146
4．2．5\t交易配置\t147
4．2．6\t策略回測\t147
4．3\t擇時―均線趨勢策略\t148
4．3．1\t格蘭維爾移動平均線八大法則\t149
4．3．2\t雙均線交易系統(tǒng)\t150
4．4\t擇時―移動平均線模型\t151
4．4．1\tMA 模型的性質\t151
4．4．2\tMA 的階次判定\t153
4．4．3\t建模和預測\t154
4．5\t擇時―自回歸策略\t155
4．5．1\tAR（p）模型的特征根及平穩(wěn)性檢驗\t156
4．5．2\tAR（p）模型的定階\t158
4．6\t擇時―均線混合策略\t163
4．6．1\t識別 ARMA 模型階次\t164
4．6．2\tARIMA 模型\t167
第 5 章\t量化對沖策略\t174
5．1\t宏觀對沖策略\t174
5．1．1\t美林時鐘\t175
5．1．2\t宏觀對沖策略特征\t178
5．2\t微觀對沖策略：股票投資中的 Alpha 策略和配對交易\t178
5．2．1\t配對交易策略\t178
5．2．2\t配對交易策略之協(xié)整策略\t185
5．2．3\t市場中性 Alpha 策略簡介\t202
5．2．4\tAlphaHorizon 單因子分析模塊\t203
5．3\t數(shù)據(jù)加載\t204
5．3．1\tuqer 數(shù)據(jù)獲取函數(shù)\t204
5．3．2\t通過 uqer 獲取數(shù)據(jù)\t209
5．3．3\t因子數(shù)據(jù)簡單處理\t211
5．4\tAlphaHorizon 因子分析―數(shù)據(jù)格式化\t213
5．5\t收益分析\t214
5．5．1\t因子選股的分位數(shù)組合超額收益\t214
5．5．2\t等權做多多頭分位、做空空頭分位收益率分析策略\t217
5．5．3\t等權做多多頭分位累計凈值計算\t220
5．5．4\t多頭分位組合實際凈值走勢圖\t221
5．5．5\t以因子值加權構建組合\t222
5．6\t信息系數(shù)分析\t223
5．6．1\t因子信息系數(shù)時間序列\(zhòng)t223
5．6．2\t因子信息系數(shù)數(shù)據(jù)分布特征\t224
5．6．3\t因子信息系數(shù)月度熱點圖\t225
5．6．4\t因子信息系數(shù)衰減分析\t226
5．7\t換手率、因子自相關性分析\t227
5．8\t分類行業(yè)分析\t228
5．9\t總結性分析數(shù)據(jù)\t231
5．10\tAlphaHorizon 完整分析模板\t233
第 6 章\t數(shù)據(jù)挖掘\t241
6．1\t數(shù)據(jù)挖掘分類模式\t241
6．2\t數(shù)據(jù)挖掘之神經(jīng)網(wǎng)絡\t242
6．2．1\t循環(huán)神經(jīng)網(wǎng)絡數(shù)據(jù)的準備和處理\t243
6．2．2\t獲取因子的原始數(shù)據(jù)值和股價漲跌數(shù)據(jù)\t243
6．2．3\t對數(shù)據(jù)進行去極值、中性化、標準化處理\t246
6．2．4\t利用不同模型對因子進行合成\t256
6．2．5\t合成因子效果的分析和比較\t269
6．2．6\t投資組合的構建和回測\t270
6．2．7\t不同模型的回測指標比較\t282
6．3\t決策樹\t295
6．3．1\t決策樹原始數(shù)據(jù)\t295
6．3．2\t決策樹基本組成\t296
6．3．3\tID3 算法\t297
6．3．4\t決策樹剪枝\t302
6．4\t聯(lián)機分析處理\t303
6．5\t數(shù)據(jù)可視化\t304
第 7 章\t量化投資中數(shù)據(jù)挖掘的使用方法\t306
7．1\tSOM 神經(jīng)網(wǎng)絡\t306
7．2\tSOM 神經(jīng)網(wǎng)絡結構\t307
7．3\t利用SOM 模型對股票進行分析的方法\t308
7．3．1\tSOM 模型中的數(shù)據(jù)處理\t308
7．3．2\tSOM 模型實驗\t309
7．3．3\tSOM 模型實驗結果\t310
第 8 章\t量化投資的資金和風險控制\t311
8．1\t資產(chǎn)配置的定義及分類\t311
8．2\t資產(chǎn)配置杠桿的使用\t312
8．2．1\t宏觀杠桿實例\t312
8．2．2\t微觀杠桿實例\t313
8．3\t資產(chǎn)配置策略\t314
8．3．1\t最小方差組合簡介\t314
8．3．2\t經(jīng)典資產(chǎn)配置 B-L 模型\t322
8．4\t風險平價配置方法的理論與實踐\t335
8．4．1\t風險平價配置方法的基本理念\t335
8．4．2\t風險平價配置理論介紹\t336
8．5\t資產(chǎn)風險的來源\t343
8．5．1\t市場風險\t343
8．5．2\t利率風險\t344
8．5．3\t匯率風險\t344
8．5．4\t流動性風險\t345
8．5．5\t信用風險\t345
8．5．6\t通貨膨脹風險\t346
8．5．7\t營運風險\t346
8．6\t風險管理細則風險控制的 4 種基本方法\t347
8．6．1\t風險回避\t347
8．6．2\t損失控制\t348
8．6．3\t風險轉移\t348
8．6．4\t風險保留\t348
8．7\t做好主觀止損的技巧\t349
8．7．1\t沒做好止損―中國石油\t349
8．7．2\t積極止損―中國外運\t350
第 9 章\t量化倉位決策\t354
9．1\t凱利公式基本概念\t354
9．1．1\t凱利公式的兩個不同版本\t355
9．1．2\t凱利公式的使用方法\t355
9．1．3\t用凱利公式解答兩個小例子\t356
9．1．4\t在實戰(zhàn)中運用凱利公式的難點\t356
9．2\t凱利公式實驗驗證\t357
9．2．1\t收益率為正態(tài)分布時的凱利公式\t357
9．3\t等價鞅策略與反等價鞅策略\t367
9．3．1\t等價鞅策略定義及示例\t367
9．3．2\t反等價鞅策略定義及示例\t368
9．4\t購買股指期貨 IF1905 被套心理分析及應對策略\t371
9．5\t期貨趨勢策略倉位管理方法\t372
9．5．1\t期貨交易策略\t373
9．5．2\t倉位管理的八大方法\t373
9．6\t海龜交易法操作商品期貨策略\t375
9．6．1\t海龜交易步驟回顧\t375
9．6．2\t需要用到的計算、判斷函數(shù)\t376
9．6．3\t海龜交易回測\t378
9．6．4\t日線螺紋鋼測試\t379
9．6．5\t測試不同商品在唐奇安通道 N 上的表現(xiàn)\t385
第 10 章\t機器學習與遺傳算法\t393
10．1\t機器學習系統(tǒng)及策略\t393
10．1．1\t學習策略簡介\t394
10．1．2\t學習策略分類\t394
10．2\t演繹推理及歸納推理規(guī)則\t396
10．2．1\t自動推理\t396
10．2．2\t演繹推理及示例\t396
10．2．3\t歸納推理及示例\t397
10．2．4\t自然演繹推理及示例\t399
10．3\t專家系統(tǒng)體系結構\t401
10．3．1\t專家系統(tǒng)的定義\t401
10．3．2\t專家系統(tǒng)的構成\t401
10．3．3\t專家系統(tǒng)的分類\t402
10．3．4\t專家系統(tǒng)的特點\t403
10．4\t遺傳算法基本原理及應用\t404
10．4．1\t遺傳算法簡介與特點\t404
10．4．2\t基本遺傳算法多層次框架圖\t405
10．4．3\t遺傳算法實施步驟\t406
10．4．4\t遺傳算法應用\t406
10．5\t使用遺傳算法篩選內(nèi)嵌因子\t407
10．5．1\t首先加入 Python 包\t407
10．5．2\t設定時間回測范圍\t409
10．5．3\t設置標準化過程\t410
10．5．4\t訓練，測試集合的選擇\t412
10．5．5\t評價指標\t413
10．5．6\t利用遺傳算法改進過程\t414
第 11 章\t人工智能在量化投資策略中的應用\t420
11．1\t人工智能選股 Boosting 模型使用方法\t420
11．1．1\t對數(shù)據(jù)進行預處理―獲取因子數(shù)據(jù)和股價漲跌數(shù)據(jù)\t420
11．1．2\t對數(shù)據(jù)進行去極值、中性化、標準化處理\t424
11．1．3\t模型數(shù)據(jù)準備\t428
11．2\tBoosting 模型因子合成\t430
11．2．1\t模型訓練\t431
11．2．2\t模型結果分析\t437
11．2．3\t因子重要度分析\t438
11．3\t因子測試\t440
11．3．1\t載入因子文件\t440
11．3．2\t回測詳情\t441
11．3．3\tBoosting 模型合成因子分組回測\t459