《量化投资 交易模型开发与数据挖掘》求取 ⇩

第1章量化投资入门1

1.1 量化投资概述1

1.2量化投资与传统投资的比较2

1.2.1 两种投资策略简介2

1.2.2 量化投资相对于传统投资的主要优势2

1.3量化投资的国外发展现状及国内投资市场未来展望4

1.3.1 量化金融和理论的建立过程4

1.3.2 国外量化投资基金的发展历史5

1.3.3 国内量化投资基金的发展历史8

1.3.4 国内投资市场的未来展望8

1.4突发汇率、加息、商誉的应对方法9

1.4.1 突发汇率变化和加息的应对方法10

1.4.2 面对商誉减值的应对方法12

第2章量化投资策略的设计思路17

2.1 量化投资策略的研发流程18

2.2 量化投资策略的可行性研究20

2.3量化平台常用语言——Python22

2.3.1 Python简介22

2.3.2 量化基础语法及数据结构23

2.3.3 量化中函数的定义及使用方法40

2.3.4 面向对象编程OOP的定义及使用方法43

2.3.5 itertools的使用方法48

2.4量化投资工具——Matplotlib51

2.4.1 Matplotlib基础知识52

2.4.2 Matplotlib可视化工具基础56

2.4.3 Matplotlib子画布及loc的使用方法58

2.5Matplotlib绘制K线图的方法61

2.5.1 安装财经数据接口包（TuShare）和绘图包（mpl_finance）61

2.5.2 绘制K线图示例62

第3章量化投资策略回测65

3.1选择回测平台的技巧65

3.1.1 根据个人特点选择回测平台66

3.1.2 回测平台的使用方法与技巧66

3.2调用金融数据库中的数据68

3.2.1 历史数据库的调取68

3.2.2 数据库的分析方法与技巧72

3.3 回测与实际业绩预期偏差的调试方法74

3.4设置回测参数75

3.4.1 start和end回测起止时间75

3.4.2 universe证券池76

3.4.3 benchmark参考基准78

3.4.4 freq和refresh_rate策略运行频率78

3.5账户设置83

3.5.1 accounts账户配置83

3.5.2 AccountConfig账户配置85

3.6 策略基本方法88

3.7策略运行环境89

3.7.1 now90

3.7.2 current_date90

3.7.3 previous_date91

3.7.4 current_minute91

3.7.5 current_price92

3.7.6 get_account93

3.7.7 get_universe93

3.7.8 transfer_cash95

3.8获取和调用数据96

3.8.1 history96

3.8.2 get_symbol_history103

3.8.3 get_attribute_history105

3.8.4 DataAPI107

3.9账户相关属性107

3.9.1 下单函数107

3.9.2 获取账户信息115

3.10 策略结果展示120

3.11 批量回测122

第4章量化投资择时策略与选股策略的推进方法125

4.1多因子选股策略125

4.1.1 多因子模型基本方法125

4.1.2 单因子分析流程126

4.1.3 多因子（对冲）策略逻辑134

4.1.4 多因子（裸多）策略逻辑139

4.2多因子选股技巧141

4.2.1 定义股票池141

4.2.2 指标选股144

4.2.3 指标排序145

4.2.4 查看选股146

4.2.5 交易配置147

4.2.6 策略回测147

4.3择时——均线趋势策略148

4.3.1 格兰维尔八大法则149

4.3.2 双均线交易系统150

4.4择时——移动平均线模型151

4.4.1 MA模型的性质151

4.4.2 MA的阶次判定153

4.4.3 建模和预测154

4.5择时——自回归策略155

4.5.1 AR（p）模型的特征根及平稳性检验156

4.5.2 AR（p）模型的定阶158

4.6择时——均线混合策略163

4.6.1 识别ARMA模型阶次164

4.6.2 ARIMA模型167

第5章量化对冲策略174

5.1宏观对冲策略174

5.1.1 美林时钟175

5.1.2 宏观对冲策略特征178

5.2微观对冲策略：股票投资中的Alpha策略和配对交易178

5.2.1 配对交易策略178

5.2.2 配对交易策略之协整策略185

5.2.3 市场中性Alpha策略简介202

5.2.4 AlphaHorizon单因子分析模块203

5.3数据加载204

5.3.1 uqer数据获取函数204

5.3.2 通过uqer获取数据209

5.3.3 因子数据简单处理211

5.4 AlphaHorizon因子分析——数据格式化213

5.5收益分析214

5.5.1 因子选股的分位数组合超额收益214

5.5.2 等权做多多头分位、做空空头分位收益率分析策略217

5.5.3 等权做多多头分位累计净值计算220

5.5.4 多头分位组合实际净值走势图221

5.5.5 以因子值加权构建组合222

5.6信息系数分析223

5.6.1 因子信息系数时间序列223

5.6.2 因子信息系数数据分布特征224

5.6.3 因子信息系数月度热点图225

5.6.4 因子信息系数衰减分析226

5.7 换手率、因子自相关性分析227

5.8 分类行业分析228

5.9 总结性分析数据231

5.10 AlphaHorizon完整分析模板233

第6章数据挖掘241

6.1 数据挖掘分类模式241

6.2数据挖掘之神经网络242

6.2.1 循环神经网络数据的准备和处理243

6.2.2 获取因子的原始数据值和股价涨跌数据243

6.2.3 对数据进行去极值、中性化、标准化处理246

6.2.4 利用不同模型对因子进行合成256

6.2.5 合成因子效果的分析和比较269

6.2.6 投资组合的构建和回测270

6.2.7 不同模型的回测指标比较282

6.3决策树295

6.3.1 决策树原始数据295

6.3.2 决策树基本组成296

6.3.3 ID3算法297

6.3.4 决策树剪枝302

6.4 联机分析处理303

6.5 数据可视化304

第7章量化投资中数据挖掘的使用方法306

7.1 SOM神经网络306

7.2 SOM神经网络结构307

7.3利用SOM模型对股票进行分析的方法308

7.3.1 SOM模型中的数据处理308

7.3.2 SOM模型实验309

7.3.3 SOM模型实验结果310

第8章量化投资的资产配置和风险控制311

8.1 资产配置的定义及分类311

8.2资产配置杠杆的使用312

8.2.1 宏观杠杆实例312

8.2.2 微观杠杆实例313

8.3资产配置策略314

8.3.1 最小方差组合简介314

8.3.2 经典资产配置B-L模型322

8.4风险平价配置方法的理论与实践335

8.4.1 风险平价配置方法的基本理念335

8.4.2 风险平价配置理论介绍335

8.5资产风险的来源343

8.5.1 市场风险343

8.5.2 利率风险344

8.5.3 汇率风险344

8.5.4 流动性风险345

8.5.5 信用风险345

8.5.6 通货膨胀风险346

8.5.7 营运风险346

8.6风险管理细则风险控制的4种基本方法347

8.6.1 风险回避347

8.6.2 损失控制348

8.6.3 风险转移348

8.6.4 风险保留348

8.7做好主观止损的技巧349

8.7.1 没做好止损——中国石油349

8.7.2 积极止损——中国外运350

第9章量化仓位决策354

9.1凯利公式基本概念354

9.1.1 凯利公式的两个不同版本355

9.1.2 凯利公式的使用方法355

9.1.3 用凯利公式解答两个小例子356

9.1.4 在实战中运用凯利公式的难点356

9.2 凯利公式实验验证357

9.3等价鞅策略与反等价鞅策略367

9.3.1 等价鞅策略定义及示例367

9.3.2 反等价鞅策略定义及示例368

9.4 购买股指期货IF1905被套心理分析及应对策略371

9.5期货趋势策略仓位管理方法372

9.5.1 期货交易策略373

9.5.2 仓位管理的八大方法373

9.6海龟交易法操作商品期货策略375

9.6.1 海龟交易步骤回顾375

9.6.2 需要用到的计算、判断函数376

9.6.3 海龟交易回测378

9.6.4 日线螺纹钢测试379

9.6.5 测试不同商品在唐奇安通道N上的表现385

第10章机器学习与遗传算法393

10.1机器学习系统及策略393

10.1.1 学习策略简介394

10.1.2 学习策略分类394

10.2演绎推理及归纳推理规则396

10.2.1 自动推理396

10.2.2 演绎推理及示例396

10.2.3 归纳推理及示例397

10.2.4 自然演绎推理及示例399

10.3专家系统体系结构401

10.3.1 专家系统的定义401

10.3.2 专家系统的构成401

10.3.3 专家系统的分类402

10.3.4 专家系统的特点403

10.4遗传算法基本原理及应用404

10.4.1 遗传算法简介与特点404

10.4.2 基本遗传算法多层次框架图405

10.4.3 遗传算法实施步骤406

10.4.4 遗传算法应用406

10.5使用遗传算法筛选内嵌因子407

10.5.1 加入Python包408

10.5.2 设定时间回测范围409

10.5.3 设置标准化过程410

10.5.4 训练，测试集合的选择412

10.5.5 评价指标413

10.5.6 利用遗传算法改进过程414

第11章人工智能在量化投资策略中的应用420

11.1人工智能选股Boosting模型使用方法420

11.1.1 对数据进行预处理——获取因子数据和股价涨跌数据420

11.1.2 对数据进行去极值、中性化、标准化处理424

11.1.3 模型数据准备428

11.2Boosting模型因子合成430

11.2.1 模型训练431

11.2.2 模型结果分析437

11.2.3 因子重要度分析438

11.3因子测试440

11.3.1 载入因子文件440

11.3.2 回测详情441

11.3.3 Boosting模型合成因子分组回测459