掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>>
量化交易叢書量化投資:交易模型開發(fā)與數(shù)據(jù)挖掘
本類五星書更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥49.5
加入購(gòu)物車
量化交易叢書量化投資:交易模型開發(fā)與數(shù)據(jù)挖掘 版權(quán)信息
- ISBN：9787121375866
- 條形碼：9787121375866 ; 978-7-121-37586-6
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>>
量化交易叢書量化投資:交易模型開發(fā)與數(shù)據(jù)挖掘 本書特色
本書是一本利用Python技術(shù)，結(jié)合人工智能、神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)、遺傳算法等互聯(lián)網(wǎng)技術(shù)進(jìn)行相應(yīng)行業(yè)模型開發(fā)的技術(shù)圖書。本書第1～4 章主要講解了利用Python軟件分析模型開發(fā)的入門知識(shí)，包括開發(fā)工具的使用、測(cè)試技術(shù)難點(diǎn)等內(nèi)容；第5～7 章主要講解了利用人工智能中的神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行技術(shù)研發(fā)，利用數(shù)據(jù)挖掘技術(shù)完善行業(yè)技術(shù)模型的數(shù)據(jù)加載與分析等內(nèi)容；第8～9 章主要講解了利用大數(shù)據(jù)進(jìn)行技術(shù)配置和風(fēng)險(xiǎn)控制等內(nèi)容；第10～11 章主要講解了利用機(jī)器學(xué)習(xí)與遺傳算法進(jìn)行相應(yīng)模型開發(fā)等內(nèi)容。全書內(nèi)容專業(yè)，案例豐富翔實(shí)，是作者多年來利用開發(fā)軟件和人工智能結(jié)合進(jìn)行相關(guān)領(lǐng)域軟件開發(fā)與探索的*結(jié)晶。本書不僅適合想利用Python進(jìn)行軟件開發(fā)的用戶，也適合有一定經(jīng)驗(yàn)但想深入掌握人工智能、機(jī)器學(xué)習(xí)技術(shù)進(jìn)行行業(yè)應(yīng)用的用戶使用，還可以作為機(jī)構(gòu)培訓(xùn)的優(yōu)秀教材。
量化交易叢書量化投資:交易模型開發(fā)與數(shù)據(jù)挖掘 內(nèi)容簡(jiǎn)介
本書是一本利用Python技術(shù)，結(jié)合人工智能、神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)、遺傳算法等互聯(lián)網(wǎng)技術(shù)進(jìn)行相應(yīng)行業(yè)模型開發(fā)的技術(shù)圖書。本書～4 章主要講解了利用Python軟件分析模型開發(fā)的入門知識(shí)，包括開發(fā)工具的使用、測(cè)試技術(shù)難點(diǎn)等內(nèi)容；第5～7 章主要講解了利用人工智能中的神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行技術(shù)研發(fā)，利用數(shù)據(jù)挖掘技術(shù)完善行業(yè)技術(shù)模型的數(shù)據(jù)加載與分析等內(nèi)容；第8～9 章主要講解了利用大數(shù)據(jù)進(jìn)行技術(shù)配置和風(fēng)險(xiǎn)控制等內(nèi)容；0～11 章主要講解了利用機(jī)器學(xué)習(xí)與遺傳算法進(jìn)行相應(yīng)模型開發(fā)等內(nèi)容。全書內(nèi)容專業(yè)，案例豐富翔實(shí)，是作者多年來利用開發(fā)軟件和人工智能結(jié)合進(jìn)行相關(guān)領(lǐng)域軟件開發(fā)與探索的很好結(jié)晶。本書不僅適合想利用Python進(jìn)行軟件開發(fā)的用戶，也適合有一定經(jīng)驗(yàn)但想深入掌握人工智能、機(jī)器學(xué)習(xí)技術(shù)進(jìn)行行業(yè)應(yīng)用的用戶使用，還可以作為機(jī)構(gòu)培訓(xùn)的很好教材。
量化交易叢書量化投資:交易模型開發(fā)與數(shù)據(jù)挖掘 目錄
第 1 章 量化投資入門 1
1.1 量化投資及定義 1
1.2 量化投資與傳統(tǒng)投資的比較 2
1.2.1 兩種投資策略簡(jiǎn)介 2
1.2.2 量化投資相對(duì)于傳統(tǒng)投資的主要優(yōu)勢(shì) 2
1.3 量化投資的國(guó)外發(fā)展現(xiàn)狀及國(guó)內(nèi)投資市場(chǎng)未來展望 4
1.3.1 量化金融和理論的建立過程 4
1.3.2 國(guó)外量化投資基金的發(fā)展歷史 5
1.3.3 國(guó)內(nèi)量化投資基金的發(fā)展歷史 8
1.3.4 國(guó)內(nèi)投資市場(chǎng)未來展望 8
1.4 突發(fā)匯率、加息、商譽(yù)的應(yīng)對(duì)方法 9
1.4.1 突發(fā)匯率變化和加息的應(yīng)對(duì)方法 10
1.4.2 面對(duì)商譽(yù)減值的應(yīng)對(duì)方法 12
第 2 章 量化投資策略的設(shè)計(jì)思路 17
2.1 量化投資策略的研發(fā)流程 18
2.2 量化投資策略的可行性研究 20
2.3 量化平臺(tái)常用語(yǔ)言—Python 22
2.3.1 Python 簡(jiǎn)介 22
2.3.2 量化基礎(chǔ)語(yǔ)法及數(shù)據(jù)結(jié)構(gòu) 23
2.3.3 量化中函數(shù)的定義及使用方法 40
2.3.4 面向?qū)ο缶幊?OOP 的定義及使用方法 43
2.3.5 itertools 的使用方法 48
2.4 量化投資工具—Matplotlib 51
2.4.1 Matplotlib 基礎(chǔ)知識(shí) 52
2.4.2 Matplotlib 可視化工具基礎(chǔ) 56
2.4.3 Matplotlib 子畫布及 loc 的使用 58
2.5 Matplotlib 繪制 K 線圖的方法 61
2.5.1 安裝財(cái)經(jīng)數(shù)據(jù)接口包（Tushare）和繪圖包（mpl_finance） 61
2.5.2 繪制 K 線圖示例 62
第 3 章 量化投資策略回測(cè) 65
3.1 選擇回測(cè)平臺(tái)的技巧 65
3.1.1 根據(jù)個(gè)人特點(diǎn)選擇回測(cè)平臺(tái) 66
3.1.2 回測(cè)平臺(tái)的使用方法與技巧 66
3.2 調(diào)用金融數(shù)據(jù)庫(kù)中的數(shù)據(jù) 68
3.2.1 歷史數(shù)據(jù)庫(kù)的調(diào)取 68
3.2.2 數(shù)據(jù)庫(kù)的分析方法與技巧 72
3.3 回測(cè)與實(shí)際業(yè)績(jī)預(yù)期偏差的調(diào)試方法 74
3.4 設(shè)置回測(cè)參數(shù) 75
3.4.1 start 和 end 回測(cè)起止時(shí)間 75
3.4.2 universe 證券池 76
3.4.3 benchmark 參考基準(zhǔn) 78
3.4.4 freq 和 refresh_rate 策略運(yùn)行頻率 78
3.5 賬戶設(shè)置 83
3.5.1 accounts 賬戶配置 83
3.5.2 AccountConfig 賬戶配置 85
3.6 策略基本方法 88
3.7 策略運(yùn)行環(huán)境 89
3.7.1 now 90
3.7.2 current_date 90
3.7.3 previous_date 91
3.7.4 current_minute 91
3.7.5 current_price 92
3.7.6 get_account 93
3.7.7 get_universe 93
3.7.8 transfer_cash 95
3.8 獲取和調(diào)用數(shù)據(jù) 96
3.8.1 history 96
3.8.2 get_symbol_history 103
3.8.3 get_attribute_history 105
3.8.4 DataAPI 107
3.9 賬戶相關(guān)屬性 107
3.9.1 下單函數(shù) 107
3.9.2 獲取賬戶信息 115
3.10 策略結(jié)果展示 120
3.11 批量回測(cè) 122
第 4 章 量化投資擇時(shí)策略與選股策略的推進(jìn)方法 125
4.1 多因子選股策略 125
4.1.1 多因子模型基本方法 125
4.1.2 單因子分析流程 126
4.1.3 多因子（對(duì)沖）策略邏輯 134
4.1.4 多因子（裸多）策略邏輯 139
4.2 多因子選股技巧 141
4.2.1 定義股票池 141
4.2.2 指標(biāo)選股 143
4.2.3 指標(biāo)排序 145
4.2.4 查看選股 146
4.2.5 交易配置 147
4.2.6 策略回測(cè) 147
4.3 擇時(shí)—均線趨勢(shì)策略 148
4.3.1 格蘭維爾移動(dòng)平均線八大法則 149
4.3.2 雙均線交易系統(tǒng) 150
4.4 擇時(shí)—移動(dòng)平均線模型 151
4.4.1 MA 模型的性質(zhì) 151
4.4.2 MA 的階次判定 153
4.4.3 建模和預(yù)測(cè) 154
4.5 擇時(shí)—自回歸策略 155
4.5.1 AR（p）模型的特征根及平穩(wěn)性檢驗(yàn) 156
4.5.2 AR（p）模型的定階 158
4.6 擇時(shí)—均線混合策略 163
4.6.1 識(shí)別 ARMA 模型階次 164
4.6.2 ARIMA 模型 167
第 5 章 量化對(duì)沖策略 174
5.1 宏觀對(duì)沖策略 174
5.1.1 美林時(shí)鐘 175
5.1.2 宏觀對(duì)沖策略特征 178
5.2 微觀對(duì)沖策略：股票投資中的 Alpha 策略和配對(duì)交易 178
5.2.1 配對(duì)交易策略 178
5.2.2 配對(duì)交易策略之協(xié)整策略 185
5.2.3 市場(chǎng)中性 Alpha 策略簡(jiǎn)介 202
5.2.4 AlphaHorizon 單因子分析模塊 203
5.3 數(shù)據(jù)加載 204
5.3.1 uqer 數(shù)據(jù)獲取函數(shù) 204
5.3.2 通過 uqer 獲取數(shù)據(jù) 209
5.3.3 因子數(shù)據(jù)簡(jiǎn)單處理 211
5.4 AlphaHorizon 因子分析—數(shù)據(jù)格式化 213
5.5 收益分析 214
5.5.1 因子選股的分位數(shù)組合超額收益 214
5.5.2 等權(quán)做多多頭分位、做空空頭分位收益率分析策略 217
5.5.3 等權(quán)做多多頭分位累計(jì)凈值計(jì)算 220
5.5.4 多頭分位組合實(shí)際凈值走勢(shì)圖 221
5.5.5 以因子值加權(quán)構(gòu)建組合 222
5.6 信息系數(shù)分析 223
5.6.1 因子信息系數(shù)時(shí)間序列 223
5.6.2 因子信息系數(shù)數(shù)據(jù)分布特征 224
5.6.3 因子信息系數(shù)月度熱點(diǎn)圖 225
5.6.4 因子信息系數(shù)衰減分析 226
5.7 換手率、因子自相關(guān)性分析 227
5.8 分類行業(yè)分析 228
5.9 總結(jié)性分析數(shù)據(jù) 231
5.10 AlphaHorizon 完整分析模板 233
第 6 章 數(shù)據(jù)挖掘 241
6.1 數(shù)據(jù)挖掘分類模式 241
6.2 數(shù)據(jù)挖掘之神經(jīng)網(wǎng)絡(luò) 242
6.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)的準(zhǔn)備和處理 243
6.2.2 獲取因子的原始數(shù)據(jù)值和股價(jià)漲跌數(shù)據(jù) 243
6.2.3 對(duì)數(shù)據(jù)進(jìn)行去極值、中性化、標(biāo)準(zhǔn)化處理 246
6.2.4 利用不同模型對(duì)因子進(jìn)行合成 256
6.2.5 合成因子效果的分析和比較 269
6.2.6 投資組合的構(gòu)建和回測(cè) 270
6.2.7 不同模型的回測(cè)指標(biāo)比較 282
6.3 決策樹 295
6.3.1 決策樹原始數(shù)據(jù) 295
6.3.2 決策樹基本組成 296
6.3.3 ID3 算法 297
6.3.4 決策樹剪枝 302
6.4 聯(lián)機(jī)分析處理 303
6.5 數(shù)據(jù)可視化 304
第 7 章 量化投資中數(shù)據(jù)挖掘的使用方法 306
7.1 SOM 神經(jīng)網(wǎng)絡(luò) 306
7.2 SOM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 307
7.3 利用SOM 模型對(duì)股票進(jìn)行分析的方法 308
7.3.1 SOM 模型中的數(shù)據(jù)處理 308
7.3.2 SOM 模型實(shí)驗(yàn) 309
7.3.3 SOM 模型實(shí)驗(yàn)結(jié)果 310
第 8 章 量化投資的資金和風(fēng)險(xiǎn)控制 311
8.1 資產(chǎn)配置的定義及分類 311
8.2 資產(chǎn)配置杠桿的使用 312
8.2.1 宏觀杠桿實(shí)例 312
8.2.2 微觀杠桿實(shí)例 313
8.3 資產(chǎn)配置策略 314
8.3.1 *小方差組合簡(jiǎn)介 314
8.3.2 經(jīng)典資產(chǎn)配置 B-L 模型 322
8.4 風(fēng)險(xiǎn)平價(jià)配置方法的理論與實(shí)踐 335
8.4.1 風(fēng)險(xiǎn)平價(jià)配置方法的基本理念 335
8.4.2 風(fēng)險(xiǎn)平價(jià)配置理論介紹 336
8.5 資產(chǎn)風(fēng)險(xiǎn)的來源 343
8.5.1 市場(chǎng)風(fēng)險(xiǎn) 343
8.5.2 利率風(fēng)險(xiǎn) 344
8.5.3 匯率風(fēng)險(xiǎn) 344
8.5.4 流動(dòng)性風(fēng)險(xiǎn) 345
8.5.5 信用風(fēng)險(xiǎn) 345
8.5.6 通貨膨脹風(fēng)險(xiǎn) 346
8.5.7 營(yíng)運(yùn)風(fēng)險(xiǎn) 346
8.6 風(fēng)險(xiǎn)管理細(xì)則風(fēng)險(xiǎn)控制的 4 種基本方法 347
8.6.1 風(fēng)險(xiǎn)回避 347
8.6.2 損失控制 348
8.6.3 風(fēng)險(xiǎn)轉(zhuǎn)移 348
8.6.4 風(fēng)險(xiǎn)保留 348
8.7 做好主觀止損的技巧 349
8.7.1 沒做好止損—中國(guó)石油 349
8.7.2 積極止損—中國(guó)外運(yùn) 350
第 9 章 量化倉(cāng)位決策 354
9.1 凱利公式基本概念 354
9.1.1 凱利公式的兩個(gè)不同版本 355
9.1.2 凱利公式的使用方法 355
9.1.3 用凱利公式解答兩個(gè)小例子 356
9.1.4 在實(shí)戰(zhàn)中運(yùn)用凱利公式的難點(diǎn) 356
9.2 凱利公式實(shí)驗(yàn)驗(yàn)證 357
9.2.1 收益率為正態(tài)分布時(shí)的凱利公式 357
9.3 等價(jià)鞅策略與反等價(jià)鞅策略 367
9.3.1 等價(jià)鞅策略定義及示例 367
9.3.2 反等價(jià)鞅策略定義及示例 368
9.4 購(gòu)買股指期貨 IF1905 被套心理分析及應(yīng)對(duì)策略 371
9.5 期貨趨勢(shì)策略倉(cāng)位管理方法 372
9.5.1 期貨交易策略 373
9.5.2 倉(cāng)位管理的八大方法 373
9.6 海龜交易法操作商品期貨策略 375
9.6.1 海龜交易步驟回顧 375
9.6.2 需要用到的計(jì)算、判斷函數(shù) 376
9.6.3 海龜交易回測(cè) 378
9.6.4 日線螺紋鋼測(cè)試 379
9.6.5 測(cè)試不同商品在唐奇安通道 N 上的表現(xiàn) 385
第 10 章 機(jī)器學(xué)習(xí)與遺傳算法 393
10.1 機(jī)器學(xué)習(xí)系統(tǒng)及策略 393
10.1.1 學(xué)習(xí)策略簡(jiǎn)介 394
10.1.2 學(xué)習(xí)策略分類 394
10.2 演繹推理及歸納推理規(guī)則 396
10.2.1 自動(dòng)推理 396
10.2.2 演繹推理及示例 396
10.2.3 歸納推理及示例 397
10.2.4 自然演繹推理及示例 399
10.3 專家系統(tǒng)體系結(jié)構(gòu) 401
10.3.1 專家系統(tǒng)的定義 401
10.3.2 專家系統(tǒng)的構(gòu)成 401
10.3.3 專家系統(tǒng)的分類 402
10.3.4 專家系統(tǒng)的特點(diǎn) 403
10.4 遺傳算法基本原理及應(yīng)用 404
10.4.1 遺傳算法簡(jiǎn)介與特點(diǎn) 404
10.4.2 基本遺傳算法多層次框架圖 405
10.4.3 遺傳算法實(shí)施步驟 406
10.4.4 遺傳算法應(yīng)用 406
10.5 使用遺傳算法篩選內(nèi)嵌因子 407
10.5.1 首先加入 Python 包 407
10.5.2 設(shè)定時(shí)間回測(cè)范圍 409
10.5.3 設(shè)置標(biāo)準(zhǔn)化過程 410
10.5.4 訓(xùn)練，測(cè)試集合的選擇 412
10.5.5 評(píng)價(jià)指標(biāo) 413
10.5.6 利用遺傳算法改進(jìn)過程 414
第 11 章 人工智能在量化投資策略中的應(yīng)用 420
11.1 人工智能選股 Boosting 模型使用方法 420
11.1.1 對(duì)數(shù)據(jù)進(jìn)行預(yù)處理—獲取因子數(shù)據(jù)和股價(jià)漲跌數(shù)據(jù) 420
11.1.2 對(duì)數(shù)據(jù)進(jìn)行去極值、中性化、標(biāo)準(zhǔn)化處理 424
11.1.3 模型數(shù)據(jù)準(zhǔn)備 428
11.2 Boosting 模型因子合成 430
11.2.1 模型訓(xùn)練 431
11.2.2 模型結(jié)果分析 437
11.2.3 因子重要度分析 438
11.3 因子測(cè)試 440
11.3.1 載入因子文件 440
11.3.2 回測(cè)詳情 441
11.3.3 Boosting 模型合成因子分組回測(cè) 459
1.1 量化投資及定義 1
1.2 量化投資與傳統(tǒng)投資的比較 2
1.2.1 兩種投資策略簡(jiǎn)介 2
1.2.2 量化投資相對(duì)于傳統(tǒng)投資的主要優(yōu)勢(shì) 2
1.3 量化投資的國(guó)外發(fā)展現(xiàn)狀及國(guó)內(nèi)投資市場(chǎng)未來展望 4
1.3.1 量化金融和理論的建立過程 4
1.3.2 國(guó)外量化投資基金的發(fā)展歷史 5
1.3.3 國(guó)內(nèi)量化投資基金的發(fā)展歷史 8
1.3.4 國(guó)內(nèi)投資市場(chǎng)未來展望 8
1.4 突發(fā)匯率、加息、商譽(yù)的應(yīng)對(duì)方法 9
1.4.1 突發(fā)匯率變化和加息的應(yīng)對(duì)方法 10
1.4.2 面對(duì)商譽(yù)減值的應(yīng)對(duì)方法 12
第 2 章 量化投資策略的設(shè)計(jì)思路 17
2.1 量化投資策略的研發(fā)流程 18
2.2 量化投資策略的可行性研究 20
2.3 量化平臺(tái)常用語(yǔ)言—Python 22
2.3.1 Python 簡(jiǎn)介 22
2.3.2 量化基礎(chǔ)語(yǔ)法及數(shù)據(jù)結(jié)構(gòu) 23
2.3.3 量化中函數(shù)的定義及使用方法 40
2.3.4 面向?qū)ο缶幊?OOP 的定義及使用方法 43
2.3.5 itertools 的使用方法 48
2.4 量化投資工具—Matplotlib 51
2.4.1 Matplotlib 基礎(chǔ)知識(shí) 52
2.4.2 Matplotlib 可視化工具基礎(chǔ) 56
2.4.3 Matplotlib 子畫布及 loc 的使用 58
2.5 Matplotlib 繪制 K 線圖的方法 61
2.5.1 安裝財(cái)經(jīng)數(shù)據(jù)接口包（Tushare）和繪圖包（mpl_finance） 61
2.5.2 繪制 K 線圖示例 62
第 3 章 量化投資策略回測(cè) 65
3.1 選擇回測(cè)平臺(tái)的技巧 65
3.1.1 根據(jù)個(gè)人特點(diǎn)選擇回測(cè)平臺(tái) 66
3.1.2 回測(cè)平臺(tái)的使用方法與技巧 66
3.2 調(diào)用金融數(shù)據(jù)庫(kù)中的數(shù)據(jù) 68
3.2.1 歷史數(shù)據(jù)庫(kù)的調(diào)取 68
3.2.2 數(shù)據(jù)庫(kù)的分析方法與技巧 72
3.3 回測(cè)與實(shí)際業(yè)績(jī)預(yù)期偏差的調(diào)試方法 74
3.4 設(shè)置回測(cè)參數(shù) 75
3.4.1 start 和 end 回測(cè)起止時(shí)間 75
3.4.2 universe 證券池 76
3.4.3 benchmark 參考基準(zhǔn) 78
3.4.4 freq 和 refresh_rate 策略運(yùn)行頻率 78
3.5 賬戶設(shè)置 83
3.5.1 accounts 賬戶配置 83
3.5.2 AccountConfig 賬戶配置 85
3.6 策略基本方法 88
3.7 策略運(yùn)行環(huán)境 89
3.7.1 now 90
3.7.2 current_date 90
3.7.3 previous_date 91
3.7.4 current_minute 91
3.7.5 current_price 92
3.7.6 get_account 93
3.7.7 get_universe 93
3.7.8 transfer_cash 95
3.8 獲取和調(diào)用數(shù)據(jù) 96
3.8.1 history 96
3.8.2 get_symbol_history 103
3.8.3 get_attribute_history 105
3.8.4 DataAPI 107
3.9 賬戶相關(guān)屬性 107
3.9.1 下單函數(shù) 107
3.9.2 獲取賬戶信息 115
3.10 策略結(jié)果展示 120
3.11 批量回測(cè) 122
第 4 章 量化投資擇時(shí)策略與選股策略的推進(jìn)方法 125
4.1 多因子選股策略 125
4.1.1 多因子模型基本方法 125
4.1.2 單因子分析流程 126
4.1.3 多因子（對(duì)沖）策略邏輯 134
4.1.4 多因子（裸多）策略邏輯 139
4.2 多因子選股技巧 141
4.2.1 定義股票池 141
4.2.2 指標(biāo)選股 143
4.2.3 指標(biāo)排序 145
4.2.4 查看選股 146
4.2.5 交易配置 147
4.2.6 策略回測(cè) 147
4.3 擇時(shí)—均線趨勢(shì)策略 148
4.3.1 格蘭維爾移動(dòng)平均線八大法則 149
4.3.2 雙均線交易系統(tǒng) 150
4.4 擇時(shí)—移動(dòng)平均線模型 151
4.4.1 MA 模型的性質(zhì) 151
4.4.2 MA 的階次判定 153
4.4.3 建模和預(yù)測(cè) 154
4.5 擇時(shí)—自回歸策略 155
4.5.1 AR（p）模型的特征根及平穩(wěn)性檢驗(yàn) 156
4.5.2 AR（p）模型的定階 158
4.6 擇時(shí)—均線混合策略 163
4.6.1 識(shí)別 ARMA 模型階次 164
4.6.2 ARIMA 模型 167
第 5 章 量化對(duì)沖策略 174
5.1 宏觀對(duì)沖策略 174
5.1.1 美林時(shí)鐘 175
5.1.2 宏觀對(duì)沖策略特征 178
5.2 微觀對(duì)沖策略：股票投資中的 Alpha 策略和配對(duì)交易 178
5.2.1 配對(duì)交易策略 178
5.2.2 配對(duì)交易策略之協(xié)整策略 185
5.2.3 市場(chǎng)中性 Alpha 策略簡(jiǎn)介 202
5.2.4 AlphaHorizon 單因子分析模塊 203
5.3 數(shù)據(jù)加載 204
5.3.1 uqer 數(shù)據(jù)獲取函數(shù) 204
5.3.2 通過 uqer 獲取數(shù)據(jù) 209
5.3.3 因子數(shù)據(jù)簡(jiǎn)單處理 211
5.4 AlphaHorizon 因子分析—數(shù)據(jù)格式化 213
5.5 收益分析 214
5.5.1 因子選股的分位數(shù)組合超額收益 214
5.5.2 等權(quán)做多多頭分位、做空空頭分位收益率分析策略 217
5.5.3 等權(quán)做多多頭分位累計(jì)凈值計(jì)算 220
5.5.4 多頭分位組合實(shí)際凈值走勢(shì)圖 221
5.5.5 以因子值加權(quán)構(gòu)建組合 222
5.6 信息系數(shù)分析 223
5.6.1 因子信息系數(shù)時(shí)間序列 223
5.6.2 因子信息系數(shù)數(shù)據(jù)分布特征 224
5.6.3 因子信息系數(shù)月度熱點(diǎn)圖 225
5.6.4 因子信息系數(shù)衰減分析 226
5.7 換手率、因子自相關(guān)性分析 227
5.8 分類行業(yè)分析 228
5.9 總結(jié)性分析數(shù)據(jù) 231
5.10 AlphaHorizon 完整分析模板 233
第 6 章 數(shù)據(jù)挖掘 241
6.1 數(shù)據(jù)挖掘分類模式 241
6.2 數(shù)據(jù)挖掘之神經(jīng)網(wǎng)絡(luò) 242
6.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)的準(zhǔn)備和處理 243
6.2.2 獲取因子的原始數(shù)據(jù)值和股價(jià)漲跌數(shù)據(jù) 243
6.2.3 對(duì)數(shù)據(jù)進(jìn)行去極值、中性化、標(biāo)準(zhǔn)化處理 246
6.2.4 利用不同模型對(duì)因子進(jìn)行合成 256
6.2.5 合成因子效果的分析和比較 269
6.2.6 投資組合的構(gòu)建和回測(cè) 270
6.2.7 不同模型的回測(cè)指標(biāo)比較 282
6.3 決策樹 295
6.3.1 決策樹原始數(shù)據(jù) 295
6.3.2 決策樹基本組成 296
6.3.3 ID3 算法 297
6.3.4 決策樹剪枝 302
6.4 聯(lián)機(jī)分析處理 303
6.5 數(shù)據(jù)可視化 304
第 7 章 量化投資中數(shù)據(jù)挖掘的使用方法 306
7.1 SOM 神經(jīng)網(wǎng)絡(luò) 306
7.2 SOM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 307
7.3 利用SOM 模型對(duì)股票進(jìn)行分析的方法 308
7.3.1 SOM 模型中的數(shù)據(jù)處理 308
7.3.2 SOM 模型實(shí)驗(yàn) 309
7.3.3 SOM 模型實(shí)驗(yàn)結(jié)果 310
第 8 章 量化投資的資金和風(fēng)險(xiǎn)控制 311
8.1 資產(chǎn)配置的定義及分類 311
8.2 資產(chǎn)配置杠桿的使用 312
8.2.1 宏觀杠桿實(shí)例 312
8.2.2 微觀杠桿實(shí)例 313
8.3 資產(chǎn)配置策略 314
8.3.1 *小方差組合簡(jiǎn)介 314
8.3.2 經(jīng)典資產(chǎn)配置 B-L 模型 322
8.4 風(fēng)險(xiǎn)平價(jià)配置方法的理論與實(shí)踐 335
8.4.1 風(fēng)險(xiǎn)平價(jià)配置方法的基本理念 335
8.4.2 風(fēng)險(xiǎn)平價(jià)配置理論介紹 336
8.5 資產(chǎn)風(fēng)險(xiǎn)的來源 343
8.5.1 市場(chǎng)風(fēng)險(xiǎn) 343
8.5.2 利率風(fēng)險(xiǎn) 344
8.5.3 匯率風(fēng)險(xiǎn) 344
8.5.4 流動(dòng)性風(fēng)險(xiǎn) 345
8.5.5 信用風(fēng)險(xiǎn) 345
8.5.6 通貨膨脹風(fēng)險(xiǎn) 346
8.5.7 營(yíng)運(yùn)風(fēng)險(xiǎn) 346
8.6 風(fēng)險(xiǎn)管理細(xì)則風(fēng)險(xiǎn)控制的 4 種基本方法 347
8.6.1 風(fēng)險(xiǎn)回避 347
8.6.2 損失控制 348
8.6.3 風(fēng)險(xiǎn)轉(zhuǎn)移 348
8.6.4 風(fēng)險(xiǎn)保留 348
8.7 做好主觀止損的技巧 349
8.7.1 沒做好止損—中國(guó)石油 349
8.7.2 積極止損—中國(guó)外運(yùn) 350
第 9 章 量化倉(cāng)位決策 354
9.1 凱利公式基本概念 354
9.1.1 凱利公式的兩個(gè)不同版本 355
9.1.2 凱利公式的使用方法 355
9.1.3 用凱利公式解答兩個(gè)小例子 356
9.1.4 在實(shí)戰(zhàn)中運(yùn)用凱利公式的難點(diǎn) 356
9.2 凱利公式實(shí)驗(yàn)驗(yàn)證 357
9.2.1 收益率為正態(tài)分布時(shí)的凱利公式 357
9.3 等價(jià)鞅策略與反等價(jià)鞅策略 367
9.3.1 等價(jià)鞅策略定義及示例 367
9.3.2 反等價(jià)鞅策略定義及示例 368
9.4 購(gòu)買股指期貨 IF1905 被套心理分析及應(yīng)對(duì)策略 371
9.5 期貨趨勢(shì)策略倉(cāng)位管理方法 372
9.5.1 期貨交易策略 373
9.5.2 倉(cāng)位管理的八大方法 373
9.6 海龜交易法操作商品期貨策略 375
9.6.1 海龜交易步驟回顧 375
9.6.2 需要用到的計(jì)算、判斷函數(shù) 376
9.6.3 海龜交易回測(cè) 378
9.6.4 日線螺紋鋼測(cè)試 379
9.6.5 測(cè)試不同商品在唐奇安通道 N 上的表現(xiàn) 385
第 10 章 機(jī)器學(xué)習(xí)與遺傳算法 393
10.1 機(jī)器學(xué)習(xí)系統(tǒng)及策略 393
10.1.1 學(xué)習(xí)策略簡(jiǎn)介 394
10.1.2 學(xué)習(xí)策略分類 394
10.2 演繹推理及歸納推理規(guī)則 396
10.2.1 自動(dòng)推理 396
10.2.2 演繹推理及示例 396
10.2.3 歸納推理及示例 397
10.2.4 自然演繹推理及示例 399
10.3 專家系統(tǒng)體系結(jié)構(gòu) 401
10.3.1 專家系統(tǒng)的定義 401
10.3.2 專家系統(tǒng)的構(gòu)成 401
10.3.3 專家系統(tǒng)的分類 402
10.3.4 專家系統(tǒng)的特點(diǎn) 403
10.4 遺傳算法基本原理及應(yīng)用 404
10.4.1 遺傳算法簡(jiǎn)介與特點(diǎn) 404
10.4.2 基本遺傳算法多層次框架圖 405
10.4.3 遺傳算法實(shí)施步驟 406
10.4.4 遺傳算法應(yīng)用 406
10.5 使用遺傳算法篩選內(nèi)嵌因子 407
10.5.1 首先加入 Python 包 407
10.5.2 設(shè)定時(shí)間回測(cè)范圍 409
10.5.3 設(shè)置標(biāo)準(zhǔn)化過程 410
10.5.4 訓(xùn)練，測(cè)試集合的選擇 412
10.5.5 評(píng)價(jià)指標(biāo) 413
10.5.6 利用遺傳算法改進(jìn)過程 414
第 11 章 人工智能在量化投資策略中的應(yīng)用 420
11.1 人工智能選股 Boosting 模型使用方法 420
11.1.1 對(duì)數(shù)據(jù)進(jìn)行預(yù)處理—獲取因子數(shù)據(jù)和股價(jià)漲跌數(shù)據(jù) 420
11.1.2 對(duì)數(shù)據(jù)進(jìn)行去極值、中性化、標(biāo)準(zhǔn)化處理 424
11.1.3 模型數(shù)據(jù)準(zhǔn)備 428
11.2 Boosting 模型因子合成 430
11.2.1 模型訓(xùn)練 431
11.2.2 模型結(jié)果分析 437
11.2.3 因子重要度分析 438
11.3 因子測(cè)試 440
11.3.1 載入因子文件 440
11.3.2 回測(cè)詳情 441
11.3.3 Boosting 模型合成因子分組回測(cè) 459
展開全部
量化交易叢書量化投資:交易模型開發(fā)與數(shù)據(jù)挖掘 相關(guān)資料
推薦序一
散戶虧錢的原因不是不懂基本面，也不是不懂技術(shù)面，而是克服不了人性的弱點(diǎn)，而量化交易以先進(jìn)的數(shù)學(xué)計(jì)算模型代替?zhèn)人的主觀判斷，能夠避免貪婪、恐懼、僥幸等讓投資者虧錢的人性弱點(diǎn)，其在國(guó)內(nèi)外市場(chǎng)上受到了很多人的追捧，這一定也是未來研究股票交易策略的發(fā)展方向。
我個(gè)人很早就聽說過量化交易，但一直沒怎么在意，直到2016年我們營(yíng)業(yè)部發(fā)行了一款基于量化交易的私募基金，到2018年結(jié)束的時(shí)候，兩年時(shí)間該基金盈利超過20%。而每個(gè)投資者都知道，2016 年—2018 年的市場(chǎng)行情是什么樣的，很多中小板股票跌幅達(dá)60%～70%，從那以后，我對(duì)量化交易產(chǎn)生了很大的興趣。
而對(duì)量化交易有更深的認(rèn)識(shí)是來自網(wǎng)上的一段話，大意是“在AlphaGo戰(zhàn)勝李世石的那個(gè)夜晚，疲憊的李世石早早睡下，而AlphaGo又和自己下了100萬(wàn)盤圍棋。第二天當(dāng)太陽(yáng)照常升起的時(shí)候，李世石還是李世石，而AlphaGo已經(jīng)變成完全不同的存在，從此以后人類可能再無(wú)獲勝的機(jī)會(huì)。人工智能不再是科幻電影里的畫面，不再是新聞標(biāo)題，它正在以一個(gè)我們不可想象的速度改變我們的生活”。
受以上兩件事的影響，我們營(yíng)業(yè)部確定了大力發(fā)展量化交易類私募基金產(chǎn)品的方向，隨后調(diào)研了許多人工智能和量化交易類的私募基金，并查看了很多相關(guān)資料，*后得出一個(gè)結(jié)論：凡是在總結(jié)經(jīng)驗(yàn)有用的領(lǐng)域，人類可能將永遠(yuǎn)失去機(jī)會(huì)。簡(jiǎn)單來說，對(duì)同一種病癥，即便是三甲醫(yī)院的醫(yī)生，一輩子可能也就能看上萬(wàn)張X光片（我覺得這還是往多了說的），而使用人工智能，可能一晚上就能看上千萬(wàn)張，更重要的是，它還不會(huì)因?yàn)樯钪械默嵤露绊懽约旱呐袛唷?br />股票交易恰好處在一個(gè)總結(jié)經(jīng)驗(yàn)有用的領(lǐng)域中，我認(rèn)識(shí)一個(gè)私募界前輩，他從5萬(wàn)元起家，通過權(quán)證、股指期貨、股票交易等贏得了幾億元的身家。他給我分享成功經(jīng)歷時(shí)，有一段話使我印象非常深刻，“1997年剛開始炒股時(shí)，買不起電腦，每周六到報(bào)刊亭買《中國(guó)證券報(bào)》，上面有當(dāng)時(shí)幾百只股票的日K線圖，周末時(shí)就反復(fù)看這些圖，預(yù)測(cè)下周可能的走勢(shì)，等下周再買新的報(bào)紙，把真實(shí)的走勢(shì)和當(dāng)時(shí)自己的預(yù)測(cè)進(jìn)行比較，看了半年后，基本上就沒有再虧過錢，后來賺的幾億元也是當(dāng)時(shí)打下的堅(jiān)實(shí)基礎(chǔ)”。因此，我相信人工智能和量化交易將在股票市場(chǎng)中大放異彩。
市場(chǎng)上有很多關(guān)于量化交易的參考書，但大家仔細(xì)去看就會(huì)發(fā)現(xiàn)，作者大部分來自計(jì)算機(jī)行業(yè)或高校，這些書理論上沒有問題，對(duì)想要學(xué)習(xí)量化交易的投資者也會(huì)起到一定的作用，但我覺得總是缺了一點(diǎn)什么—這些人或者不懂交易原理，或者不懂交易心理。
而本書作者，我的好朋友韓燾先生，是一個(gè)從散戶成長(zhǎng)起來的私募基金經(jīng)理，作為散戶他知道普通投資者容易犯哪些錯(cuò)誤，他成功就是因?yàn)樗此疾⑿拚诉@些錯(cuò)誤；作為基金經(jīng)理，他懂得機(jī)構(gòu)是如何進(jìn)行投資決策的。在本書中，他結(jié)合自己的投資經(jīng)驗(yàn)，給出了很多交易策略，可以說其中有一些就是他投資盈利的“真家伙”，很多人可能不相信有人會(huì)把自己賴以生存的東西無(wú)私地拿出來分享。這里，我想和大家說的是：真正的投資者無(wú)論是做價(jià)值投資，還是做技術(shù)投資，都是非常純粹并樂于分享的人，如股神巴菲特、傳奇基金經(jīng)理彼得•林奇等，都用其一生的時(shí)間給所有股票投資者樹立了一個(gè)良好的榜樣—與投資者分享他們的方法，甚至他們買的股票品種等。可是真正能從中獲益的人并不多。究其原因，就是很多人為了方法而方法，沒有真正掌握他們所說的方法中的使用技巧，本書將這些技巧進(jìn)行了詳細(xì)說明，期望對(duì)讀者有所幫助。
你相信什么，就會(huì)看到什么，*終也會(huì)得到什么。我相信，在不遠(yuǎn)的將來，未來股票市場(chǎng)中量化交易的交易量將達(dá)到50%以上，到時(shí)候市場(chǎng)上分為兩種人：懂量化交易的和不懂量化交易的。如果你是那個(gè)不懂量化交易的人，就如同拿著木棒的原始人與一批武裝到牙齒的數(shù)字化士兵在戰(zhàn)斗，你憑什么獲勝？
因此，無(wú)論你是散戶，還是機(jī)構(gòu)投資者，或者和我一樣是證券公司的從業(yè)人員，只要有志于學(xué)習(xí)和了解量化交易，這本書你一定要讀，因?yàn)檫@是市面上十分接地氣的一本量化交易專業(yè)類書籍。
張?jiān)讫?br />東北證券某營(yíng)業(yè)部財(cái)富總監(jiān)
推薦序二
量化投資作為一門投資的方法論及應(yīng)用技術(shù)，在國(guó)外成熟市場(chǎng)已經(jīng)有幾十年的成功應(yīng)用與靚麗業(yè)績(jī)。應(yīng)韓燾先生之邀為本書作序，感到很榮幸。國(guó)內(nèi)資本市場(chǎng)形成之初的十幾年，由于交易規(guī)則、技術(shù)條件、投資品種、資產(chǎn)管理等方面均處于起步階段，量化投資的應(yīng)用相當(dāng)有限。隨著國(guó)內(nèi)市場(chǎng)的逐步開放與技術(shù)進(jìn)步，尤其是大量諸如金融期貨、期權(quán)等新的投資品種上市交易，伴隨著交易技術(shù)的自動(dòng)化執(zhí)行，量化投資在策略開發(fā)端與交易執(zhí)行端等投資核心環(huán)節(jié)，日益受到重視，大量以量化投資為核心業(yè)務(wù)的資產(chǎn)管理公司也如雨后春筍般涌現(xiàn)出來。
韓燾先生在本書中一一列舉了量化投資對(duì)于傳統(tǒng)投資的優(yōu)勢(shì)與改進(jìn)策略，包括但不限于量化投資在數(shù)據(jù)樣本、精確度、準(zhǔn)確度等方面質(zhì)的提升，以及可供交易的策略類型、數(shù)量的大幅度增加。同時(shí)，本書也對(duì)量化投資的產(chǎn)生、發(fā)展與興盛，在時(shí)間維度上進(jìn)行了闡述，對(duì)量化投資在國(guó)內(nèi)外實(shí)踐應(yīng)用過程中的一些有代表性的具體案例進(jìn)行了深入說明。
量化投資是一個(gè)系統(tǒng)性的思維、設(shè)計(jì)、研發(fā)與決策實(shí)施的過程，包括策略、交易、風(fēng)險(xiǎn)控制等諸多核心內(nèi)容。本書作者以當(dāng)下流行的Python語(yǔ)言作為量化投資的程序設(shè)計(jì)語(yǔ)言， 結(jié)合通聯(lián)數(shù)據(jù)公司提供的優(yōu)礦量化投資平臺(tái)，對(duì)于多種不同類型與目標(biāo)的量化投資策略進(jìn)行了詳細(xì)解說，其中有傳統(tǒng)的因子、擇時(shí)策略，也有基于機(jī)器學(xué)習(xí)的智能化策略，還有風(fēng)險(xiǎn)與資金管理技術(shù)。
處于量化投資起步階段的國(guó)內(nèi)資本市場(chǎng)，投資者面臨更多的是機(jī)遇，一本好書能為讀者帶來正確的投資觀與執(zhí)行方法。韓燾先生筆耕不輟而成此書，也希望本書能指導(dǎo)國(guó)內(nèi)有志于研究量化投資技術(shù)、從事量化投資行業(yè)的讀者進(jìn)入一片新的領(lǐng)域。
童少鵬
北京市金融發(fā)展促進(jìn)中心
首都經(jīng)濟(jì)貿(mào)易大學(xué)
量化金融研究中心研究員
推薦序三
人工智能作為當(dāng)前信息社會(huì)中的熱詞，其深度學(xué)習(xí)、機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等技術(shù)在各個(gè)領(lǐng)域都得到了廣泛的應(yīng)用，尤其是在金融領(lǐng)域，應(yīng)用更為深入。
作為當(dāng)今的投資者，在常規(guī)理財(cái)?shù)幕A(chǔ)上，*好了解一些多品種、多策略的投資理財(cái)方式。例如，基金、股票、外匯等多資產(chǎn)配置手段。小到一件商品在不同商店的差價(jià)，大到經(jīng)濟(jì)全球一體化背景下的跨國(guó)貿(mào)易，以及在資本市場(chǎng)進(jìn)行股票、期貨和大宗商品等套利交易，也都是投資的一種手段。投資者要想在投資市場(chǎng)博取利潤(rùn)，必須學(xué)會(huì)降低投資風(fēng)險(xiǎn)， 提升投資收益率。而要想有效地捕捉這種非對(duì)稱信息下的投資機(jī)會(huì)，盡可能地降低投資風(fēng)險(xiǎn)，就對(duì)數(shù)據(jù)的統(tǒng)計(jì)分析有很大的挑戰(zhàn)，由此也使得人工智能顯得日益重要。
當(dāng)下，散戶機(jī)構(gòu)化是資本市場(chǎng)的一個(gè)發(fā)展趨勢(shì)，機(jī)構(gòu)投資者憑借雄厚的資本實(shí)力和豐富的投資經(jīng)驗(yàn)，借助計(jì)算機(jī)的運(yùn)算能力，在人工智能化的趨勢(shì)下逐漸催生出紛繁復(fù)雜的量化投資模型。在這個(gè)過程中，無(wú)論是公募、私募等機(jī)構(gòu)投資者，還是很多個(gè)人投資者，量化投資作為一種專業(yè)化的投資方式已經(jīng)不再陌生，并在資本市場(chǎng)的推動(dòng)下一步步地?cái)U(kuò)散并深入人心。量化投資領(lǐng)域中應(yīng)用較為廣泛的人工智能技術(shù)的不斷發(fā)展，進(jìn)一步推動(dòng)了量化投資策略的逐步完善，很多機(jī)構(gòu)也從簡(jiǎn)單的技術(shù)選股到多因子選股，再到通過計(jì)算機(jī)的大數(shù)據(jù)獲取與挖掘，逐步形成了獨(dú)特而有效的量化投資模型。
量化投資模型一般具備如下特點(diǎn)：
能使用多層次的量化模型觀察海量數(shù)據(jù)，進(jìn)而捕捉投資機(jī)會(huì)。
能夠依靠概率取勝，如定量投資從歷史數(shù)據(jù)中挖掘有望在未來重復(fù)的歷史規(guī)律，以及大概率獲勝的投資策略。量化投資模型是依靠篩選出的股票組合取勝的，而不是依靠一只或幾只股票取勝，從投資組合的理念來看也是捕獲大概率獲勝的股票。
能嚴(yán)格地執(zhí)行量化投資模型所給出的投資建議，克服了人性的弱點(diǎn)。
能準(zhǔn)確客觀地評(píng)價(jià)交易機(jī)會(huì)，克服主觀情緒的一些偏差，通過全面、系統(tǒng)性掃描捕捉錯(cuò)誤定價(jià)和錯(cuò)誤估值帶來的機(jī)會(huì)。
能及時(shí)而快速地跟蹤市場(chǎng)變化，不斷發(fā)現(xiàn)能夠提供超額收益的新統(tǒng)計(jì)模型，尋找新
的交易機(jī)會(huì)。
以上這些量化投資的特點(diǎn)，其實(shí)也是我們?cè)谕顿Y中需要克服的弱點(diǎn)。那么，如何更加有效地克服這些弱點(diǎn)呢？韓燾先生根據(jù)多年的投資經(jīng)驗(yàn)與量化研究，在本書中給出了精彩的答案。
本書開篇先回顧了量化投資研究發(fā)展中的幾個(gè)過程，并在中間給出了量化投資策略設(shè)計(jì)的相關(guān)思路，包括擇時(shí)、對(duì)沖、風(fēng)險(xiǎn)控制和回測(cè)等內(nèi)容，還指出了人工智能中的數(shù)據(jù)挖掘、神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)等技術(shù)應(yīng)用于相應(yīng)投資中的問題與解決方法。我們知道，人工智能各種技術(shù)的應(yīng)用，都需要大量的底層數(shù)據(jù)，作者在介紹數(shù)據(jù)獲取時(shí)也說明了各種數(shù)據(jù)的獲取渠道和清洗方法。韓燾先生指出，得益于移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展與互聯(lián)網(wǎng)的寬帶化，各種物聯(lián)網(wǎng)技術(shù)的快速發(fā)展及源源不斷產(chǎn)生的數(shù)據(jù)，都為人工智能催生的量化投資的發(fā)展打下了堅(jiān)實(shí)的基礎(chǔ)。
韓燾先生的這本書，不失為當(dāng)前量化技術(shù)叢書中的一抹彩虹，相比市面上琳瑯滿目的書籍，更具實(shí)用價(jià)值。韓燾先生憑借自身對(duì)量化投資知識(shí)的多年投資經(jīng)驗(yàn)和研究，很多觀點(diǎn)見解獨(dú)到，以過去洞察未來，引導(dǎo)讀者認(rèn)清量化投資技術(shù)的真正含義，內(nèi)容深入淺出， 既有專業(yè)的介紹，又有通俗的語(yǔ)言。特別是他通過多年的實(shí)踐和研究及生動(dòng)的案例得出的結(jié)論，以及直言不諱地分享在量化投資應(yīng)用中的一些彎路更讓人欽佩，只有理論和實(shí)踐相結(jié)合才能真正及時(shí)發(fā)現(xiàn)問題，并給出具有可行性的解決方案，由此給讀者帶來更大的啟發(fā)。
本書不僅適用于各類初級(jí)投資者，對(duì)有一定投資基礎(chǔ)且想進(jìn)行資產(chǎn)配置的投資者也是很好的參考書，書中的投資思想和量化投資策略適用于股票、期貨、期權(quán)等各類資產(chǎn)配置。他山之石，可以攻玉。愿這本書能為投資者帶來不一樣的體會(huì)與感悟，更愿本書能為投資機(jī)構(gòu)提供更多的參考與幫助。
韓勇
中信建投證券機(jī)構(gòu)業(yè)務(wù)部副總裁
量化交易叢書量化投資:交易模型開發(fā)與數(shù)據(jù)挖掘 作者簡(jiǎn)介
韓燾 現(xiàn)任北京風(fēng)云略投資管理有限公司基金經(jīng)理。 從1998年成功申購(gòu)基金開元開始入市參與基金和股票投資，擁有20多年的A股投資經(jīng)驗(yàn)和10余年的程序化交易模型開發(fā)經(jīng)驗(yàn)。 自2015年起，在私募、證券類基金公司擔(dān)任副總經(jīng)理和基金經(jīng)理，管理資產(chǎn)近10億元，擁有豐富的資產(chǎn)管理經(jīng)驗(yàn)。截至2019年4月，在私募排排網(wǎng)“私募基金排名”的“近半年”時(shí)間段內(nèi)位居全國(guó)第24名，“今年來”時(shí)間段內(nèi)位居全國(guó)第139名。 主要研究量化分析及模型選股交易，熟練使用C、Java與Python等編程語(yǔ)言。通過多年積累的實(shí)戰(zhàn)經(jīng)驗(yàn)提煉出獨(dú)有的高性能選股因子，設(shè)計(jì)開發(fā)了量化風(fēng)控模型、量化交易與對(duì)沖模型，大大提升了交易成功率。
書友推薦
- >
煙與鏡
- >
詩(shī)經(jīng)-先民的歌唱
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語(yǔ))
- >
龍榆生：詞曲概論/大家小書
- >
朝聞道
- >
姑媽的寶刀
- >
有舍有得是人生
本類暢銷
