內容簡介

在目前不斷變化、蓬勃發展的中國資本市場，量化投資作為新興的投資方法，引來越來越多的關注，使用量化投資技術的證券從業人員也越來越多。

本書分為11章，內容包括Python環境的搭建、Python數據相關類庫的使用、掘金量化終端的使用、Talib金融庫的詳解、多因子策略的介紹、帶技術指標的多因子策略、中證紅利指數增強策略、回歸分析與TensorFlow、回歸模型的經典應用、配對交易的魔力等。

本書可作為量化投資技術初學者、證券從業人員、金融投資人員的自學用書，也可作為金融機構的培訓用書，還可作為高等院校相關專業師生的教學參考書。

作者介紹

王曉華，電腦專業資深講師，為研究生和本科生講授面向對象程序設計、數據結構、Hadoop程序設計等相關課程。主要研究方向為雲計算、數據挖掘。曾主持和參與多項國家和省級科研課題，獨立完成一項科研成果並獲省級成果認定，發表過多篇論文，申請有一項專利。著有《Spark MLlib機器學習實踐》《TensorFlow深度學習應用實踐》等圖書。

第1章走進量化投資 1
1.1 量化投資的誕生背景 1
1.2 量化投資的特點 3
1.3 量化投資的應用 5
1.4 量化投資在我國股市的發展前景 6
1.5 小結 6

第2章 Python的安裝與使用 7
2.1 Python的基本安裝和用法 7
2.1.1 Anaconda的下載與安裝 8
2.1.2 Python編譯器PyCharm的安裝 11
2.1.3 使用Python計算softmax函數 14
2.2 Python常用類庫中的threading 15
2.2.1 threading庫的使用 16
2.2.2 threading模組中最重要的Thread類 16
2.2.3 threading中的Lock類 18
2.2.4 threading中的join類 19
2.3 小結 19

第3章 Python類庫的使用——資料處理及視覺化展示 20
3.1 從小例子起步——NumPy的初步使用 20
3.1.1 數據的矩陣化 20
3.1.2 資料分析 22
3.1.3 基於統計分析的資料處理 24
3.2 圖形化資料處理——Matplotlib包的使用 24
3.2.1 差異的視覺化 24
3.2.2 座標圖的展示 25
3.2.3 大規模資料的視覺化 27
3.3 常用的統計分析方法——相似度計算 30
3.3.1 基於歐幾裡得距離的相似度計算 30
3.3.2 基於余弦角度的相似度計算 31
3.3.3 歐幾裡得相似度與余弦相似度的比較 32
3.4 資料的統計學視覺化展示 33
3.4.1 數據的四分位元 33
3.4.2 數據的四分位元示例 34
3.4.3 數據的標準化 37
3.4.4 資料的平行化處理 39
3.4.5 熱點圖-屬性相關性檢測 41
3.5 Python實戰：某地降雨的關係處理 42
3.5.1 不同年份的相同月份統計 42
3.5.2 不同月份之間的增減程度比較 44
3.5.3 每月的降水量是否相關 45
3.6 小結 46

第4章歡迎來到掘金量化 47
4.1 基礎工作 47
4.1.1 安裝掘金終端 47
4.1.2 獲取幫助 49
4.2 實戰：使用掘金終端進行回測工作 51
4.2.1 創建第一個策略 51
4.2.2 運行回測 52
4.2.3 查看回測結果 54
4.2.4 使用PyCharm進行回測 55
4.3 小結 59

第5章 Talib金融庫使用詳解 60
5.1 Talib金融工具庫的介紹 60
5.1.1 使用Talib獲取3日、7日、15日均線 60
5.1.2 EMA的計算 62
5.1.3 MACD的計算 64
5.1.4 MACD斜率的計算方法 66
5.1.5 使用Talib實現國內金融資料指標 67
5.2 Talib金融工具庫函數 69
5.2.1 Talib常用函數介紹 73
5.2.2 Talib圖像形態識別 75
5.3 實戰：Talib金融工具回測實戰 83
5.3.1 根據MACD變化回測2017年盈利情況 84
5.3.2 股價的波動範圍及未來走勢判定 90
5.4 兩種經典的軌道突破策略 92
5.4.1 Dual Thrust策略 92
5.4.2 Dynamic Breakout II策略 96
5.5 小結 99

第6章多因數策略 100
6.1 一個奇怪的問題 100
6.1.1 因數是什麼 101
6.1.2 選取因數 102
6.1.3 單因數選股輪動測試 105
6.2 因數的量化選擇 108
6.2.1 基於IC值的多因數計算方法 109
6.2.2 基於IC值的多因數計算方法（續） 110
6.2.3 因數IC值計算的目標，等權法因數值的合成 114
6.3 實戰：基於成長因數的模型測試 116
6.3.1 模型說明 116
6.3.2 使用模型進行回測 125
6.4 霍華?羅斯曼的投資模型 127
6.4.1 霍華?羅斯曼簡介 127
6.4.2 霍華?羅斯曼的投資模型 127
6.4.3 對霍華?羅斯曼模型的分析 128
6.5 小結 131

第7章帶技術指標的多因數策略 132
7.1 技術面多因數介紹 132
7.1.1 101個技術因數 132
7.1.2 基於Talib的技術因數重寫 136
7.1.3 一個基於放量技術因數策略的回測 140
7.2 較為複雜的技術因數 143
7.2.1 阻力支撐相對強度因數介紹 143
7.2.2 改進的RSRS因數與回測資料 146
7.2.3 價差偏離度因數介紹 148
7.3 簡單的技術性因數—波動率因數 151
7.3.1 波動率因數介紹 151
7.3.2 更多的波動率因數 155
7.4 實戰：一個回測成功率100%的中長線買賣例子 158
7.4.1 技術指標的設計 159
7.4.2 回測的設計 164
7.5 小結 166

第8章人人都是基金經理——中證紅利指數增強策略 167
8.1 中證紅利指數基金介紹 167
8.1.1 紅利指數基金的由來 168
8.1.2 中證紅利簡介 168
8.2 基於中證紅利的指數增強基金策略的構建 169
8.2.1 中證紅利策略的構建方法 170
8.2.2 策略回測與優化 173
8.3 小結 173

第9章掘金量化——回歸分析基礎 175
9.1 回歸分析基礎 175
9.1.1 回歸法簡介 176
9.1.2 一元線性回歸 176
9.1.3 多元線性回歸 179
9.1.4 回歸法的解法——最小二乘法詳解 180
9.2 回歸分析的一些其他計算方法 183
9.2.1 梯度下降演算法與使用TensorFlow計算線性回歸 183
9.2.2 線性回歸的姐妹——邏輯回歸 189
9.3 實戰：回歸分析——短時間開盤價與收盤價之間的關係 190
9.3.1 量化策略基本思路與簡單實現 190
9.3.2 使用掘金量化實現回測 192
9.4 買還是賣——邏輯回歸幫你做決定 196
9.4.1 邏輯回歸是一種分類演算法 196
9.4.2 邏輯回歸的TensorFlow實現 197
9.4.3 使用TensorFlow的邏輯回歸進行回測 201
9.5 機器學習策略——支援向量機 203
9.5.1 支持向量機的基本概念 203
9.5.2 使用支援向量機進行回測 204
9.6 小結 208

第10章回歸模型的經典應用 209
10.1 CAPM模型簡介 210
10.1.1 CAPM定價模型的提出 210
10.1.2 CAPM定價模型的公式與假設 211
10.1.3 CAPM中Beta的定義 212
10.2 Fama-French三因數模型 213
10.2.1 Fama-French模型的基礎公式 214
10.2.2 Fama-French模型的實現與回測 215
10.3 PB-ROE回歸模型的使用 220
10.3.1 PB-ROE模型介紹 220
10.3.2 PB-ROE模型的實現 221
10.3.3 基於上證180的股票回測 226
10.3.4 使用自訂股票池的PB-ROE回測 232
10.4 小結 242

第11章配對交易的魔力 243
11.1 配對交易的基本理論 243
11.1.1 相關性分析 244
11.1.2 均值、方差與協方差 246
11.2 協整性的判定與檢驗 248
11.2.1 協整性 248
11.2.2 平穩性的檢驗方法 249
11.3 配對交易 253
11.3.1 配對交易的演算法 253
11.3.2 提取股票的相關性 254
11.3.3 協整係數的計算方法 257
11.4 配對交易的魔力 263
11.4.1 前期計算 263
11.4.2 協整性判斷 265
11.4.3 使用量化掘金回測系統對結果進行判定 266
11.5 小結 270

看更多