除了你的纔華，其他一切都不重要！

近年來，互聯網和人工智能技術的飛速發展，推動傳統金融大踏步前進，尤其是量化投資、互聯網金融、移動計算等領域，用一日千裡來形容亦不為過。2015年年初，總理在政府工作報告中提出制定“互聯網 ”行動計劃，推動移動互聯網、雲計算、大數據等與各行業的融合發展。2015年9月，國務院又印發了《促進大數據發展行動綱要》，提出“推動產業創新發展，培育數據應用新業態，積極推動大數據與其他行業的融合，大力培育互聯網金融、數據服務、數據處理分析等新業態”。可見，大數據金融將會成為未來十年閃亮的領域之一。2012年年初，中國量化投資學會聯合中國工信出版集團電子工業出版社，共同策劃出版了“量化投資與對衝基金叢書”，深受業內好評。在此基礎上，我們再次重磅出擊，整合業內人纔，推出“大數據金融叢書”，引領時代前沿，助力行業發展。
本書特點
和卓金武認識是在一次行業會議上，我聽到他演講有關數據挖掘的課題，內容很詳實精彩，會後與他交流後，發現他在量化投資領域做了很多年的研究，於是就建議他寫一本有關基於數據挖掘的量化投資的教材，他欣然同意。一年後該書出版，受到業內很多好評。這次的改版更是對原先內容的一個大的升級和優化。
數據挖掘是人工智能領域的一個重要分支，在學術界發展了大概30年，近在業內改頭換面，以“大數據”的名詞大放異彩。這個技術在過去十年各行各業都得到了廣泛的應用，如語音識別、人臉識別等。在金融投資的領域，數據挖掘主要用於各種交易模式的識別、策略優化等，近幾年也得到了越來越多的研究人員的支持。這本《量化投資——MATLAB數據挖掘技術與實踐》，以詳實的內容、深入的研討，將數據挖掘技術用於量化投資的方方面面，可以對讀者起著非常重要的借鋻作用。
本書的基礎篇闡述了與數據挖掘有關的基礎理論，包括數據挖掘原理、數據挖掘過程及數據挖掘的主要工具，特別是通過幾個案例進行快速的MATLAB入門，讓讀者了解MATLAB中與數據挖掘有關的一些函數和工具箱的作用。
技術篇闡述了有關數據挖掘的各種技術，包括數據的準備、數據的探索、關聯規則方法、數據回歸、分類方法、聚類方法、預測方法、診斷方法、時間序列方法和智能優化方法等。其中，關聯規則、分類方法、聚類方法是數據挖掘的主要的內容。關聯規則解決不同因素之間的因果關繫問題，試圖從大量的數據中，找到看似不相關的因素之間背後有可能隱藏的邏輯關繫。分類方法則對歷史知識進行分類處理，試圖找到對未來的預測。例如，可以將股票分為“漲”和“跌”兩大類別，學習分類模型後，可用於對未來股票的走勢進行預測。聚類是一種無監督的學習，也就是說，在沒有歷史樣本的情況下，找到背後的大致規律。這特別適用於波動不規律的品種的投資策略。馬爾科夫鏈是一種預測方法，可以用於大盤走勢的預測。我們日常看到的K線都屬於時間序列。時間序列的研究方法可以用於K線走勢的預測，包括ARMA模型、ARIMA模型、ARCH模型、GARCH模型等。
實踐篇則介紹了多個基於數據挖掘的策略，包括統計套利策略、配對交易策略，以及有關數據挖掘繫統的一些闡述等。統計套利用到的模式和分類技術；配對交易用到的協整關繫和配對交易函數，可以用基於數據挖掘的技術來實現。書稿的後兩章分別闡述了基於Quantrader平臺的量化投資和基於數據挖掘技術的量化交易繫統，為投資者提供實際交易的輔助。
卓金武的這本書在理論方面具有很深的探討，在實踐方面又有多個案例，是一本不可多得的優秀教材，特此推薦。
美好前景
中國經濟經過幾十年的高速發展，各行各業基本上已經定型，能夠讓年輕人成長的空間越來越小。未來十年，大數據金融領域是少有的幾個有著百倍、甚至千倍成長空間的行業，在傳統的以人為主的分析逐步被數據和模型替代的過程中，從事數據處理、模型分析、交易實現、資產配置的核心人纔（我們稱之為寬客），將有廣闊的舞臺可以充分展示自己的纔華。在這個領域中，將不再關心你的背景和資歷，無論學歷高低，無論有無經驗，隻要你勤奮、努力，腳踏實地地研究數據、研究模型、研究市場，實現財務自由並非是遙不可及的夢想。對於寬客來說，除了你的纔華，其他一切都不重要！

丁鵬  博士       
中國量化投資學會  理事長 
《量化投資——策略與技術》作者
“大數據金融叢書”主編  
2016.10  上海     
 
前  言

量化投資交易策略的業績穩定，市場規模和份額不斷擴大，得到越來越多投資者的認可。中國金融業飛速發展，尤其是2010年股指期貨的推出，使得量化投資和對衝基金逐步進入國內投資者的視野。2012年丁鵬博士所著的《量化投資——策略與技術》出版後，更是推動了量化投資技術在國內的普及。目前，量化投資、對衝基金已經成為中國資本市場熱門的話題之一，各投資機構紛紛開始著手打造各自的量化投資精英團隊。
量化投資是將投資理念及策略通過具體指標、參數的設計，融入到具體的模型中，用模型對市場進行不帶任何情緒的跟蹤，簡單而言，就是用數量化的方法對股票、期貨等投資對像進行估值，選取適合的對像進行投資。目前，量化投資的書籍主要集中在模型和策略及工具的使用上，但關於如何產生這些量化模型、量化策略的書籍的確非常少。金融市場瞬息萬變，為了更好地進行量化投資，我們要不斷去驗證既有模型的有效性，同時要想在金融行業保持自己的競爭力，又必須不斷開發新的模型，而驗證模型、開發模型，所謂量化投資的主要內容，都需要數據的支撐。另一方面，金融領域是數據資源保存好、為豐富的行業，在金融領域已經積累了大量的數據，同時每天還在產生大量的交易數據、價格數據等數據信息。這些數據資源正好為量化投資提供了很好的數據基礎，那麼問題的關鍵就是如何利用金融業豐富的數據資源更好地進行量化投資。
數據挖掘技術是從數據中挖掘有用知識的一門繫統性的技術，剛好解決了數據利用的問題，所以，數據挖掘與量化投資便很自然地結合在一起。但數據挖掘在國內也是一個新領域，所以，還沒有關於量化投資與數據挖掘相結合的相關書籍。另外，目前關於數據挖掘的幾本書基本都是譯著，由於語言和文化的差異，國內讀者讀起來相對喫力。在這樣的背景下，能有一本書介紹如何利用數據挖掘技術進行量化投資還是很好的。
巧合的是，筆者在MathWorks平時的工作職責之一是支持金融客戶，相當比例是關於量化投資的，二是支持其他商業客戶的數據挖掘，所以對這兩個領域都有一定的了解。在一次研討會上，丁鵬博士與筆者討論了數據挖掘在量化投資中應用的話題，感覺這是個非常好的課題，建議筆者寫一本這樣的書。筆者對這個課題也非常感興趣，於是就開始了這本書的創作。
《量化投資——數據挖掘技術與實踐（MATLAB版）》於2015年6月出版，一年以內已四次印刷，不少熱心的讀者發來E-mail與作者討論書中的內容，並提出建議和不足。為了回饋讀者，也為了讓本書質量更好，於是在2016年年初就啟動了新版的編寫工作。新版主要變動的地方有兩個方面：一個是對上一版中發現的不足進行了修訂，另一個是增加了MATLAB快速入門和基於Quantrader平臺的量化投資兩個章節。另外，有關程序化交易內容的章節也進行了大幅修改，主要是讓程序直接與Wind數據對接。
本書內容
全書內容分為三篇。
篇為基礎篇，主要介紹一些基本概念和知識，包括量化投資與數據挖掘的關繫，以及數據挖掘的概念、實現過程、主要內容、主要工具等內容，並在第三章介紹了MATLAB快速入門。
第二篇為技術篇，是本書的主體，繫統介紹了數據挖掘的相關技術及這些技術在量化投資中的應用實例。這部分又分為如下三個層次：
（1）數據挖掘前期的一些技術，包括數據的準備（收集數據、數據質量分析、數據預處理等）和數據的探索（衍生變量、數據可視化、樣本選擇、數據降維等）。
（2）數據挖掘的核心六大類方法，包括關聯規則、回歸、分類、聚類、預測和診斷。對於每類方法，則詳細介紹了其包含的典型算法，包括基本思想、應用場景、算法步驟、MATLAB實現程序和應用案例。同時，對每類方法還介紹了一個在量化投資中的應用案例，以強化這些方法在量化投資中的實用性。
（3）數據挖掘中特殊的實用技術，包含兩章內容，一是關於時序數據挖掘的時間序列技術，二是關於優化的智能優化方法。這個層次也是數據技術體繫中不可或缺的技術。時序數據是數據挖掘中的一類特殊數據，並且金融數據往往都具有時序性，所以針對該類特殊的數據類型，又介紹了時間序列方法。另外，數據挖掘離不開優化，量化投資也離不開優化，所以又以一章智能優化方法來介紹兩個比較常用的優化方法，遺傳算法和模擬退火算法。
第三篇為實踐篇，主要介紹數據挖掘技術在量化投資中的綜合應用實例，包括統計套利策略的挖掘與優化、配對交易策略的挖掘與實現、基於Wind數據的程序化交易，基於Quantrader平臺的量化投資，後一章——基於數據挖掘技術的量化交易繫統，則給出了集成主流數據挖掘技術的量化投資繫統的框架，讀者可以利用該框架，依據書中介紹的數據挖掘技術，結合自己的情況，開發出屬於自己的量化交易繫統，從而輕松實現從理論到實踐的跨越，更好地利用數據挖掘技術在量化投資的領域乘風破浪，不斷創造佳績。
本書特色
綜觀全書，可發現本書的特點鮮明，主要表現在：
（1）方法務實，學以致用。本書介紹的方法都是數據挖掘中的主流方法，都經過實踐的檢驗，具有較強的實踐性。對於每種方法，本書基本都給出了完整、詳細的源代碼，這對讀者來說，具有非常大的參考價值，很多程序可供讀者直接套用並加以學習，並可以直接轉化為自己的量化投資實戰工具。
（2）知識繫統，易於理解。本書的知識體繫應該是當前數據挖掘書籍中全、完善的，不僅包含詳細的數據挖掘流程、數據準備方法、數據探索方法，還包含六大類數據挖掘主體方法、時序數據挖掘方法、智能優化方法。正因為有完整的知識體繫，讀者讀起來纔有很好的完整感，從而更利於理解數據挖掘的知識體繫，這對於讀者