[套装书]Python量化投资：技术、模型与策略+量化交易之路：用Python做股票量化分析（2册）

作者
赵志强 刘志伟 阿布
丛书名
出版社
机械工业出版社
ISBN
9782009221410
简要
简介
内容简介书籍计算机书籍 ---------------------------Python量化投资：技术、模型与策略--------------------------- 全书共18章，前11章主要讲解基础知识。第1章介绍了什么是量化投资，以及为什么要用Python。第2章介绍了如何搭建基础环境，介绍了常用的一些工具。第3章讲解python的基本应用和常用的库。第4章介绍python数据分析中常用的Numpy, Scipy, Pandas。第5章介绍数据分析的基础方法。第6章介绍数据的可视化，使用matplotlib库。第7章介绍基础的金融分析方法。第8章介绍技术分析和时序序列分析，从业界和学术界两种角度来进行分析。第9章介绍了投资组合理论和由此衍生出来的多因子模型。第10章介绍了金融市场中衍生品的分析，以期货和期权为主。第11章从利率开始，介绍了债券的分析方法。 从第12章开始进入实战篇。第12章讲解中国金融市场，主要针对二级市场，并介绍了针对不同市场的基本投资策略。第13章介绍了，研究策略时，所需的数据来源，开源数据和商业数据库都有介绍。并且介绍目前比较流行的python的开源数据源。第14章介绍了如何建立数据库，并且讲解针对不同数据，如何设计数据库。第15章介绍了策略研究基本概念，方法论和流程。第16章介绍了进行自动化交易的接口，并且介绍了目前比较流行的开源项目vn.py。第17章介绍了如何使用python爬取网络上数据，并进行舆情分析。第18章介绍了人工智能的基本概念和算法，并且介绍了人工智能在量化投资中的应用。 ---------------------------量化交易之路：用Python做股票量化分析--------------------------- 本书从量化交易的正确性认识出发，以Python语言为基础，循序渐进地讲解了量化交易所需要了解的各种知识及工具。书中特别穿插了大量的开发技巧和交易投资技巧，所有示例都基于量化交易及相关知识，体现了实战的特点。例如，在讲解机器学习技术在量化交易中的使用这部分内容时，并不需要读者有深厚的数学功底，而是偏重实际应用，讲解各种技术在量化交易领域的功用。本书共11章，分为4部分。第1部分讲解了量化交易的正确认识；第2部分讲解了量化交易的基础，如Python语言、数学和几种数据分析工具等；第3部分讲解了量化交易系统的开发与使用、基础度量概念及优参数等问题；第4部分讲解了机器学习技术在量化交易中的实战应用。附录中还给出了量化环境部署、量化相关性分析、量化统计分析及指标应用的相关内容。
目录



---------------------------Python量化投资：技术、模型与策略---------------------------


推荐序一
推荐序二
推荐序三
前言
第1章　量化投资与Python简介 1
1.1　量化投资基本概念 1
1.2　量化投资的特征 2
1.3　量化投资的优势 3
1.4　量化、AI并不是一切 4
1.5　编程语言比较 5
1.5.1　Matlab 5
1.5.2　R 6
1.5.3　C++ 6
1.5.4　Python 6
1.5.5　其他语言 7
1.6　为什么要使用Python 7
1.7　Python构建量化投资生产线 10
第2章　平台搭建和工具 11
2.1　需要考虑的问题 11
2.2　编程环境搭建流程 12
2.2.1　其他库的安装 12
2.2.2　四种集成开发环境（IDE）介绍 13
第3章　Python金融分析常用库介绍 17
3.1　NumPy 17
3.1.1　创建多维数组 18
3.1.2　选取数组元素 19
3.2　SciPy 20
3.3　Pandas 21
3.3.1　DataFrame入门 21
3.3.2　Series 35
3.4　StatsModels 36
第4章　可视化分析 39
4.1　Matplotlib 39
4.1.1　散点图 39
4.1.2　直方图 40
4.1.3　函数图 40
4.1.4　Matplotlib和seaborn的中文乱码问题 42
4.2　seaborn 43
4.3　python-highcharts 47
第5章　统计基础 53
5.1　基本统计概念 53
5.1.1　随机数和分布 53
5.1.2　随机数种子 58
5.1.3　相关系数 58
5.1.4　基本统计量 59
5.1.5　频率分布直方图 60
5.2　连续随机变量分布 63
5.2.1　分布的基本特征 63
5.2.2　衍生特征 66
5.3　回归分析 68
5.3.1　最小二乘法 68
5.3.2　假设检验 71
第6章　数据预处理和初步探索 74
6.1　数据清理 74
6.1.1　可能的问题 75
6.1.2　缺失值 75
6.1.3　噪声或者离群点 76
6.1.4　数据不一致 77
6.2　描述性统计 77
6.2.1　中心趋势度量 77
6.2.2　数据散布度量 78
6.3　描述性统计的可视化分析 79
6.3.1　直方图 79
6.3.2　散点图 82
6.3.3　盒图 83
第7章　Pandas进阶与实战 86
7.1　多重索引 86
7.2　数据周期变换 90
第8章　金融基础概念 92
8.1　收益率 92
8.2　对数收益率 93
8.3　年化收益 93
8.4　波动率 93
8.5　夏普比率 94
8.6　索提诺比率 96
8.7　阿尔法和贝塔 96
8.8　最大回撤 97
第9章　资产定价入门 98
9.1　利率 98
9.2　利率的计量 99
9.3　零息利率 100
9.4　债券定价 101
9.4.1　债券收益率 101
9.4.2　平价收益率 102
9.4.3　国债零息利率确定 102
9.4.4　远期利率 105
9.5　久期 106
9.6　期权 106
9.7　期权的描述 107
9.8　看涨期权和看跌期权 107
9.9　期权价格与股票价格的关系 108
9.10　影响期权价格的因素 108
第10章　金融时间序列分析 110
10.1　为什么用收益率而不是价格 110
10.2　金融时间序列定义 110
10.3　平稳性 112
10.4　白噪声序列 112
10.5　自相关系数 113
10.6　混成检验 114
10.7　AR（p）模型 115
10.7.1　AR（p）模型简介 115
10.7.2　AR(p)平稳性检验 115
10.7.3　AR(p)如何确定参数p 117
10.8　信息准则 119
10.8.1　拟合优度 120
10.8.2　预测 121
10.9　ARMA模型 122
10.9.1　MA模型 122
10.9.2　ARMA模型公式 124
10.9.3　ARMA模型阶次判定 124
10.9.4　建立ARMA模型 125
10.10　ARCH和GARCH模型 126
10.10.1　波动率的特征 127
10.10.2　波动率模型框架 127
10.10.3　ARCH模型 127
10.10.4　GARCH模型 132
第11章　数据源和数据库 135
11.1　数据来源 135
11.2　TuShare 135
11.2.1　TuShare安装 136
11.2.2　TuShare的Python SDK 136
11.3　pandas-reader 137
11.4　万得接口 141
11.4.1　一个简单例子 141
11.4.2　数据库 142
11.4.3　下载所有股票历史数据 143
第12章　CTA策略 145
12.1　趋势跟踪策略理论基础 145
12.2　技术指标 146
12.3　主力合约的换月问题 147
12.4　用Python实现复权 148
12.4.1　加减复权 148
12.4.2　乘除复权 149
12.5　安装ta-lib 151
12.6　ta-lib的指标和函数介绍 152
12.7　可叠加指标 153
12.7.1　MA、EMA 154
12.7.2　Bollinger Bands 155
12.8　动量指标 156
12.8.1　动量指标简介 156
12.8.2　相对强弱指标 157
12.9　成交量指标 158
12.10　波动率指标 158
12.11　价格变换 159
12.12　Pattern Recognition 160
12.13　一个简单策略模式 163
第13章　策略回测 165
13.1　回测系统是什么 165
13.2　各种回测系统简介 165
13.3　什么是回测 166
13.4　回测系统的种类 167
13.4.1　“向量化”系统 167
13.4.2　For循环回测系统 167
13.4.3　事件驱动系统 168
13.5　回测的陷阱 169
13.6　回测中的其他考量 169
13.7　回测系统概览 170
13.8　使用Python搭建回测系统 171
13.8.1　Python向量化回测 171
13.8.2　Python For循环回测 174
13.8.3　PyAlgoTrade简介 177
第14章　多因子风险模型 181
14.1　风险定义 181
14.2　资本资产定价模型 182
14.3　套利定价理论 182
14.4　多因子模型 183
14.5　多因子模型的优势 183
14.6　建立多因子模型的一般流程 184
14.6.1　风险因子的种类 184
14.6.2　反映外部影响的因子 184
14.6.3　资产截面因子 184
14.6.4　统计因子 184
14.7　行业因子 185
14.8　风险因子 185
14.8.1　风险因子分类 185
14.8.2　投资组合风险分析 186
14.9　基准组合 186
14.10　因子选择和测试 187
14.11　Fama-French三因子模型 187
14.12　因子发掘与论证 191
14.13　单因子有效性分析alphalens 192
14.13.1　数据预处理 192
14.13.2　收益率分析 195
14.13.3　信息系数分析 198
14.14　财务因子为什么不好用 201
第15章　资金分配 203
15.1　现代/均值-方差资产组合理论 203
15.1.1　MPT理论简介 203
15.1.2　随机权重的夏普比率 204
15.1.3　最大化夏普比率 207
15.2　Black-Litterman资金分配模型 209
15.2.1　MPT的优化矩阵算法 209
15.2.2　Black-Litterman模型 215
第16章　实盘交易和vn.py框架 219
16.1　交易平台简介 219
16.2　交易框架vn.py 219
16.3　vn.py的安装和配置 220
16.3.1　安装VN Studio 220
16.3.2　运行VN Station 221
16.3.3　启动VN Trader 222
16.4　CTA策略模块分析 224
16.5　第一个入门策略 225
16.5.1　创建策略文件 225
16.5.2　定义策略类 225
16.5.3　设置参数变量 229
16.5.4　交易逻辑实现 230
16.5.5　实盘K线合成 232
16.6　on_tick和on_bar 233
16.6.1　on_tick的逻辑 233
16.6.2　on_bar的逻辑 234
16.6.3　策略的两种模式 235
第17章　Python与Excel交互 239
17.1　Excel相关库简介 239
17.2　OpenPyxl基础 239
17.2.1　OpenPyxl入门操作 239
17.2.2　Pandas与Excel 242
17.2.3　在Excel中绘图 244
后记 252



---------------------------量化交易之路：用Python做股票量化分析---------------------------


前言
第1部分 对量化交易的正确认识
第1章 量化引言 2
1.1 什么是量化交易 2
1.2 量化交易：投资？投机？赌博？ 3
1.3 量化交易的优势 4
1.3.1 避免短线频繁交易 4
1.3.2 避免逆势操作 5
1.3.3 避免重仓交易 5
1.3.4 避免对胜率的盲目追求 6
1.3.5 确保交易策略的执行 6
1.3.6 独立交易及对结果负责的信念 6
1.3.7 从历史验证交易策略是否可行 7
1.3.8 寻找交易策略的最优参数 7
1.3.9 减少无意义的工作及干扰 7
1.4 量化交易的正确认识 8
1.4.1 不要因循守旧，认为量化交易是邪门歪道 8
1.4.2 不要异想天开，认为量化交易有神奇的魔法 8
1.4.3 不要抱有不劳而获的幻想 9
1.4.4 不要盲目追求量化策略的复杂性 9
1.4.5 认清市场，认清自己，知己知彼，百战不殆 10
1.5 量化交易的目的 11
第2部分 量化交易的基础
第2章 量化语言——Python 14
2.1 基础语法与数据结构 15
2.1.1 基本类型和语法 15
2.1.2 字符串和容器 17
2.2 函数 20
2.2.1 函数的使用和定义 20
2.2.2 lambda函数 21
2.2.3 高阶函数 22
2.2.4 偏函数 25
2.3 面向对象 25
2.3.1 类的封装 26
2.3.2 继承和多态 30
2.3.3 静态方法、类方法与属性 34
2.4 性能效率 38
2.4.1 itertools的使用 38
2.4.2 多进程 VS 多线程 41
2.4.3 使用编译库提高性能 43
2.5 代码调试 45
2.6 本章小结 48
第3章 量化工具——NumPy 49
3.1 并行化思想与基础操作 49
3.1.1 并行化思想 49
3.1.2 初始化操作 50
3.1.3 索引选取和切片选择 51
3.1.4 数据转换与规整 52
3.1.5 逻辑条件进行数据筛选 53
3.1.6 通用序列函数 54
3.1.7 数据本地序列化操作 57
3.2 基础统计概念与函数使用 57
3.2.1 基础统计函数的使用 57
3.2.2 基础统计概念 60
3.3 正态分布 62
3.3.1 正态分布基础概念 62
3.3.2 实例1：正态分布买入策略 64
3.4 伯努利分布 66
3.4.1 伯努利分布基础概念 67
3.4.2 实例2：如何在交易中获取优势 67
3.5 本章小结 71
第4章 量化工具——pandas 72
4.1 基本操作方法 72
4.1.1 DataFrame构建及方法 72
4.1.2 索引行列序列 73
4.1.3 金融时间序列 74
4.1.4 Series构建及方法 75
4.1.5 重采样数据 76
4.2 基本数据分析示例 78
4.2.1 总览分析数据 79
4.2.2 索引选取和切片选择 80
4.2.3 逻辑条件进行数据筛选 82
4.2.4 数据转换与规整 84
4.2.5 数据本地序列化操作 86
4.3 实例1：寻找股票异动涨跌幅阀值 87
4.3.1 数据的离散化 88
4.3.2 concat、append和merge的使用 89
4.4 实例2：星期几是这个股票的“好日子” 91
4.4.1 构建交叉表 92
4.4.2 构建透视表 94
4.5 实例3：跳空缺口 95
4.6 pandas三维面板的使用 98
4.7 本章小结 101
第5章 量化工具——可视化 102
5.1 使用Matplotlib可视化数据 102
5.1.1 Matplotlib可视化基础 102
5.1.2 Matplotlib子画布及loc的使用 104
5.1.3 K线图的绘制 105
5.2 使用Bokeh交互可视化 106
5.3 使用pandas可视化数据 107
5.3.1 绘制股票的收益及收益波动情况 107
5.3.2 绘制股票的价格与均线 109
5.3.3 其他pandas统计图形种类 110
5.4 使用Seaborn可视化数据 112
5.5 实例1：可视化量化策略的交易区间及卖出原因 115
5.6 实例2：标准化两个股票的观察周期 120
5.7 实例3：黄金分割线 124
5.7.1 黄金分割线的定义方式 124
5.7.2 多维数据绘制示例 127
5.8 技术指标的可视化 130
5.8.1 MACD指标的可视化 131
5.8.2 ATR指标的可视化 132
5.9 本章小结 133
第6章 量化工具——数学 134
6.1 回归与插值 134
6.1.1 线性回归 135
6.1.2 多项式回归 137
6.1.3 插值 138
6.2 蒙特卡罗方法与凸优化 139
6.2.1 你一生的追求到底能带来多少幸福 140
6.2.2 使用蒙特卡罗方法计算怎样度过一生最幸福 149
6.2.3 凸优化基础概念 152
6.2.4 全局求解怎样度过一生最幸福 153
6.2.5 非凸函数计算怎样度过一生最幸福 154
6.2.6 标准凸函数求最优 157
6.3 线性代数 159
6.3.1 矩阵基础知识 160
6.3.2 特征值和特征向量 162
6.3.3 PCA和SVD理论知识 163
6.3.4 PCA和SVD使用实例 164
6.4 本章小结 168
第3部分 量化交易系统的开发
第7章 量化系统——入门 170
7.1 趋势跟踪与均值回复 170
7.1.1 趋势跟踪和均值回复的周期重叠性 171
7.1.2 实例1：均值回复策略 176
7.1.3 实例2：趋势跟踪策略 184
7.2 仓位控制管理 188
7.2.1 凯利公式 189
7.2.2 一只股票的时间简史 190
7.2.3 三只小猪股票投资的故事 195
7.3 本章小结 202
第8章 量化系统——开发 203
8.1 abu量化系统择时 204
8.1.1 买入因子的实现 204
8.1.2 卖出因子的实现 210
8.1.3 滑点买入、卖出价格确定及策略实现 221
8.1.4 多只股票使用相同的因子进行择时 226
8.1.5 自定义仓位管理策略的实现 229
8.1.6 多只股票使用不同的因子进行择时 230
8.1.7 使用并行来提升择时的运行效率 231
8.2 abu量化系统选股 234
8.2.1 选股因子的实现 234
8.2.2 多个选股因子并行执行 240
8.2.3 使用并行来提升选股的运行效率 241
8.3 本章小结 242
第9章 量化系统——度量与优化 243
9.1 度量的基本使用方法 243
9.2 度量的基础 247
9.2.1 度量的基础概念 247
9.2.2 度量的可视化 250
9.3 基于Grid Search寻找因子最优参数 253
9.3.1 参数取值范围 253
9.3.2 参数进行排列组合 254
9.3.3 Grid Search寻找最优参数 255
9.3.4 度量结果的评分 258
9.3.5 不同权重的评分 262
9.4 资金限制对度量的影响 266
9.5 输入中文自动生成交易策略 272
9.6 本章小结 276
第4部分 机器学习在量化交易中的实战
第10章 量化系统——机器学习·猪老三 278
10.1 机器学习基础概念 278
10.1.1 小红帽识别毒蘑菇 278
10.1.2 3种机器学习问题 281
10.2 猪老三世界中的量化环境 282
10.3 有监督机器学习 286
10.3.1 猪老三使用回归预测股价 288
10.3.2 猪老三使用分类预测股票涨跌 294
10.3.3 通过决策树分类，绘制出决策图 297
10.4 无监督机器学习 299
10.4.1 使用降维可视化数据 299
10.4.2 猪老三使用聚类算法提高正确率 301
10.5 梦醒时分 303
10.5.1 回测中生成特征/切分训练测试集/成交买单快照 304
10.5.2 基于特征的交易预测 309
10.5.3 基于深度学习的交易预测 312
10.5.4 预测市场的混沌 316
10.6 本章小结 317
第11章 量化系统——机器学习abu 318
11.1 搜索引擎与量化交易 319
11.2 主裁 321
11.2.1 角度主裁 322
11.2.2 使用全局最优对分类簇集合进行筛选 331
11.2.3 跳空主裁 334
11.2.4 价格主裁 338
11.2.5 波动主裁 341
11.2.6 验证主裁是否称职 345
11.2.7 在abu系统中开启主裁拦截模式 348
11.3 边裁 351
11.3.1 角度边裁 352
11.3.2 价格边裁 354
11.3.3 波动边裁 354
11.3.4 综合边裁 355
11.3.5 验证边裁是否称职 355
11.3.6 在abu系统中开启边裁拦截模式 359
11.4 一定要赢得这场胜利，即使一切都不存在 360
11.5 本章小结 361
附录A 量化环境部署 362
附录B 量化相关性分析 381
附录C 量化统计分析及指标应用 388



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4