第 1 章  量化思想  
1.1 超額 α 實證案例 
1.1.1 定量構建三級基金池 
1.1.2 通過“AOA”分析法進行大類資產配置 
1.1.3 檢驗正交 ( 獨立 ) 的多條投資回報流 
1.1.4 組建風險收益模型 
1.1.5 模型延伸：通過 JDBC 驅動連接 MySQL 接口 
1.2 萬物皆是算法 
1.2.1 生物學的算法屬性 
1.2.2 機器學習算法與數學機械化概述 
1.3 什麼是量化投資 
1.3.1 量化戰勝市場 
1.3.2 主觀投資與量化投資 
1.3.3 全球證券投資的上升策略 
1.3.4 經典多因子量化三要素 
1.3.5 多因子投資拓撲結構 
1.3.6 算力與 tick 顆粒度 
1.3.7 算法暴力會人為造成服務器“燃料”短缺 
1.3.8 量化策略能盈利的底層邏輯 
1.4 什麼是 AI 量化投資 
1.4.1 AI 量化投資與量化投資的本質區別 
1.4.2 收益與高流動性顯著相關 
1.5 AI 用於投資策略的三項前提條件 
第 2 章  量化實踐 
2.1 定量設計現金管理方案 
2.2 基金科學定投 
2.2.1 蒙特卡羅模擬的原理 
2.2.2 誤差分析 
2.2.3 定投鈍化 
2.3 時間分辨率為何深度影響投資收益率 
2.3.1 時間分辨率 
2.3.2 投資時間顆粒度與復利理論值 
第 3 章  量化方法  
3.1 線性相關度 
3.1.1 計算方法 
3.1.2 用於宏觀經濟因子 
3.1.3 構建不相關投資回報流 
3.1.4 線性相關度延伸： Spearman 相關度 
3.2 灰色相關矩陣 
3.2.1 股票走勢的灰色性 
3.2.2 灰色關聯度計算方法 
3.2.3 用於宏觀經濟因子 
3.3 多因子投資 
3.3.1 因子暴露、因子溢價、因子模型、資產向量圖 
3.3.2 構建多因子投資向量通式 
3.3.3 單因子溢價 
3.3.4 雙因子溢價 
3.3.5 因子檢驗 
3.3.6 多因子分析的主觀性 
3.4 雲模型，不確定性的 AI 
3.4.1 “雲滴”的隨機性與模糊性 
3.4.2 雲滴模擬基金的風格漂移 
3.5 貝葉斯判別法，先驗概率的 AI 
3.5.1 後驗概率 
3.5.2 判別股票的動量反轉 
3.6 K-means 聚類法 
3.6.1 數學原理 
3.6.2 中證 1000 成分股量價因子聚類 
3.6.3 A 股全指個股量價因子聚類 
3.7 行為金融交易法 
3.7.1 前景理論 
3.7.2 面向未來 
3.7.3 信息交易者與噪聲交易者 
第 4 章  量化策略  
4.1 量化投資流程與策略分類 
4.1.1 策略實現流程 
4.1.2 量化策略分類 
4.2 指數增強策略 
4.3 對衝中性策略 
4.3.1 策略原理 
4.3.2 期貨升貼水 
4.3.3 ETF 對衝概述 
4.4 網格交易策略 
4.4.1 網格交易原理 
4.4.2 滬深 300 實證案例 
4.4.3 策略缺點與優化 
4.5 風險平價策略 
4.5.1 原始模型 
4.5.2 常規模型 
4.5.3 模型求解 
4.5.4 增強模型 
4.5.5 杠杆模型 
4.6 CTA 策略 
4.7 量化策略的趨勢 
第 5 章  風險控制繞不開凱利公式 
5.1 普適的凱利公式 
5.2 勝率和賠率決定冒險投資的倉位 
5.3 公式推導 
5.4 計算機動態模擬 
5.5 凱利投資準則 
第 6 章  交易信息繫統外接 
6.1 接入門檻 
6.2 繫統外接 IT 架構 

下篇 AI 方法及投資策略

第 7 章  遺傳算法在黃金投資中的應用 
7.1 AI 算法思想 
7.1.1 邊緣活躍效應 
7.1.2 AI 算法時代 
7.1.3 量化投資在我國的發展階段 
7.2 遺傳算法概述 
7.2.1 重度參與飛機發動機設計 
7.2.2 生物學基礎 
7.3 遺傳算法關鍵數學原理 
7.3.1 編解碼 
7.3.2 復制運算 
7.4 遺傳算法尋優舉例 
7.4.1 編碼 
7.4.2 評價個體適應度 
7.4.3 新種群復制 
7.4.4 交配點發生交配 
7.4.5 基因突變 
7.5 遺傳算法拓展 
7.5.1 協力進化 
7.5.2 遺傳算法與弗洛伊德夢的解析法 
7.6 計算機程序設計框架 
7.6.1 偽代碼設計 
7.6.2 參數設計準則 
7.6.3 適應度函數調優 
7.7 黃金現貨對衝套利 
7.7.1 黃金投資重要屬性 
7.7.2 定價要素 
7.7.3 組建模型 
7.7.4 求解非線性多約束雙目標函數 
7.7.5 套利策略設計思路 
第 8 章  大規模神經網絡及股票非量價復合策略  
8.1 人工神經網絡概述 
8.1.1 網絡結構 
8.1.2 激勵函數 
8.2 經典神經網絡模型 
8.2.1 因式分解網絡的學習步驟 
8.2.2 基於視網膜感受視野設計 RBF 神經網絡 
8.3 設計 BP 神經網絡 
8.3.1 鯊魚嗅聞血腥味原理 
8.3.2 網絡學習案例化解析 
8.3.3 網絡訓練多尺度分析 
8.4 設計 RBF 神經網絡 
8.4.1 梯度訓練法 
8.4.2 性能要素 
8.5 評價神經網絡的泛化能力 
8.6 神經網絡核心技術與策略 
8.6.1 震蕩的成因 
8.6.2 演繹推理法與絕妙的排列組合算法 
8.7 設計大規模徑向基小波神經網絡的深度理論 
8.7.1 五層網絡拓撲結構 
8.7.2 符號約定 
8.7.3 組建神經網絡數學模型 
8.7.4 調整伸縮因子a 
8.7.5 調整尺度因子b 
8.7.6 調整連接權值w 
8.7.7 a、 b、 w動態調整量 
8.7.8 添加網絡動量 
8.7.9 非常規定律 
8.8 中證 1000 成分股非量價復合策略 
8.8.1 股價預測的合理性與不合理性 
8.8.2 多策略原理闡述 
8.8.3 因子群挖掘 
8.8.4 股票數據 ETL 
8.8.5 股票數據歸一化和添加白噪聲 
8.8.6 啟動訓練 
8.8.7 股價預測準確率 
8.8.8 交易指令設計 
8.8.9 為什麼有些機器學習量化策略沒有成功 
8.8.10 神經網絡在股票優選策略中的獨特優勢 
第 9 章 小波分析及金融工程多維度應用  
9.1 小波分析框架理論 
9.1.1 數學變換的含義 
9.1.2 傅裡葉變換的局限性在哪裡 
9.1.3 傅裡葉變換和小波變換圖譜對比 
9.1.4 小波的定義及特征 
9.2 小波伸縮平移和變換 
9.2.1 母小波伸縮平移 
9.2.2 連續小波變換 
9.3 小波分解與重構 
9.3.1 平均和細節 
9.3.2 多尺度分析 
9.4 市場熵投資策略 
9.4.1 海森堡測不準定律 
9.4.2 小波窗函數影響市場動量因子 
9.4.3 統一論的量化投資體繫 
9.5 抽取震蕩中的道瓊斯工業指數行情趨勢 
9.6 識別可轉債的資本市場炒作行為 
9.6.1 進可攻，退可守的可轉債 
9.6.2 數據洗滌 
9.6.3 基於 db6 小波基對炒作信號進行變換 
9.6.4 通過噪聲分貝識別可轉債市場炒作行為 
9.6.5 模型延伸：提升時間分辨率 
第 10 章  前沿研究與探索 
10.1 斐波那契投資模型 
10.1.1 通項式 
10.1.2 簡單是股票策略有效的必要條件 
10.2 股票能量守恆定律 
10.2.1 物理方程式 
10.2.2 實證案例 
10.3 速降線：股票利空出盡的快速途徑 
10.3.1 參數方程組 
10.3.2 延伸理解 
10.3.3 利空出盡速衰減規律 
後記  
參考文獻

這是一本主要講AI量化投資的書，與常規量化投資書籍有本質不同。
懷著滿滿的誠意，AI技術與金融投資相互契合是本書希望表現的特色。比如第8章濃墨重彩地描述了作者在AI技術理論上的突破，技術深度和難度極大，且多數是獨創技術理論；第9章主要介紹小波在金融領域的應用，尚屬探索階段，這章所列舉的三個金融案例，具有啟發性和探索性的雙重價值。本書有以下幾個特點。
(1)閱讀體驗。按照數學建模的思路和步驟，本書對每個符號的講解、每個公式的推導盡量深入淺出，推導方法力求別具一格。作者還做了一張表格，對每一章內容的技術難度做了難度繫數的評級，用★表示，★數量越多表示對應內容的技術難度越大。所以，讀者朋友們可以按照本書的章節順序依次閱讀，還可以根據每一章的難度繫數跳躍式閱讀，按由淺及深的方式閱讀本書，也是沒有太大問題的。作者在創作本書的過程中，已經考慮到讀者的閱讀體驗。
(2)體繫化。量化思想、量化實踐、量化方法、量化策略、風險控制4444、信息交444易繫統接入44444共同構成了量化體繫，再由量化投資體繫過渡到AI量化投資體繫，循序漸進，娓娓道來。
(3)創造性。用鯊魚獵腥的方法類比人工神經網絡的訓練過程，用小波分析的方法去識別資本證券炒作的市場特征，而且不管炒作程度多高，都能基於小波多尺度分辨的技術把市場炒作信號潷出來。此外，本書更有大量延伸數學模型的創造。
(4)穩定性。雖然資本市場是不斷演變的，具有很強的時效性，但作者對AI算法研究了十幾年，發現算法底層理論進步空間極小；有所不同的是，新的應用場景和大算力平臺層出不窮，所以本書遴選的大部分實證案例，盡可能規避時效性的限制，刻意摒棄了時效性強的案例，側重底層邏輯的闡述，致力於在“AI量化投資”領域對不變量444的挖掘，而不是追求對新技術、新概念、新場景的探索。
(5)原創深度。除了極其少數的內容參考了少量文獻，本書絕大多數內容皆是原創，讓讀者少了一份似曾相識或雷同的感受，比如第10章裡面的“LZ證券能量守恆定理”，市面上其他著作鮮有與之相似或相同的內容，作者原創性地給出該定理的金融公式，並用實證案例進行了檢驗。本書幾乎沒有基礎性的量化、AI知識，作者努力追求全書內容都是硬核干貨。此外，作者在寫作本書的過程中，在保證描述精準的前提下，努力摒棄那些刻板、索然無味的文字，字裡行間透射出靈動鮮活的魅力，讓文字活潑而有張力。
(6)可視化。本書大量采用了計算機繪制的圖形圖像，比如基於雲滴智能技術觀測主動管理型基金的風格漂移，凱利公式風控模型的計算機模擬，等等。
(7)交叉融合。作者推崇不同學科、不同領域知識與實踐的融會貫通，即便是表面上看起來風馬牛不相及的領域，比如本書裡面的“7.5.2 遺傳算法與弗洛伊德夢的解析法”“10.3 速降線：股票利空出盡的快速途徑”，等等。嚴謹的物理學中有很多偉大的發現，前期都是靠猜的，那麼，證券投資領域為何就不能“天馬行空”地舉一反三呢？因為兩者的內在機理確實是一致的。
AI量化投資技術高深，但不是說，金融或者AI博士學位是投資盈利的必要條件。事實上，投資圈存在大量高學歷但是投資業績很一般的基金經理或無指引價值的研究員。古人雲：三人行必有我師；又雲：世事洞明皆學問，人情練達即文章。缺乏投資和AI知識的普通投資者，或許亦能敏銳地捕捉到更加有效的“情緒因子”。知識儲備程度、時效性程度、靈活應用程度三者基於乘法原則，共同決定了投資回報率，所以縱觀本書的敘述結構，是相當開放的，體現了與各位讀者探討的誠意—沒有的專業，亦沒有的權威。
限於篇幅，本書內容不一定面面俱到；限於作者水平，雖竭盡全力，但是AI量化投資需要的知識實在是太浩瀚了，書中難免存在錯誤和紕漏，敬請讀者朋友們不吝指正、勘誤。反饋郵箱：wkservice@vip.163.com。
作者
2022年7月於上海