●第一篇 量化選股策略篇
1.量化選股策略概述
1.1 量化選股的收益來源
1.2 量化選股策略的框架
2.單指標策略
2.1 單指標／因子策略方法概述
2.2 資金流向策略
2.3 動量與反轉策略
3.多因子模型及策略
3.1 多因子策略方法概述
3.2 基於風險指標的多因子模型投資策略分析
3.3 基於指標被動篩選的多因子模型策略
3.4 多因子模型因子加權方法研究
4.風險模型及其應用
4.1 風險模型概述
4.2 中國A股市場風險模型的行業因子優化
4.3 中國A股市場風險模型的應用
5.投資組合構建
5.1 投資組合構建方法概述
5.2 基於規模暴露控制的投資組合構建
5.3 基於穩健優化的投資組合構建
6.績效歸因與評價
6.1 績效歸因與評價概述
6.2 多因子策略的績效評價
第二篇 量化擇時策略篇
7.量化擇時策略概述
7.1 量化擇時的理論基礎――有效市場假說
7.2 量化擇時策略的類型
8.動量擇時模型
8.1 均線擇時繫統：簡單易行，最為常用的趨勢交易
8.2 LLT模型：高階過濾，降低信號延遲
8.3 基於參數優化的Dual-Thrust交易策略：過濾震蕩行情抓趨勢
8.4 指數收益率奇數階矩預測：放大價格波動抓趨勢
8.5 海龜交易繫統：完整的交易繫統
9.反轉擇時模型
9.1 DeMark Combo策略：累計能量，逆市操作
9.2 拋物線擬合策略：尋找拐點，右側交易
9.3 對數周期冪律模型及其基本應用：階段性“頂”和“底”的預測
9.4 對數周期冪律模型的概率預測
9.5 對數周期冪律模型的相關檢驗
9.6 對數周期冪律模型的窗口初始點選擇
第三篇 機器學習量化策略
10.機器學習算法簡介
10.1 機器學習的定義和學科定位
10.2 機器學習方法的核心概念
10.3 機器學習方法的分類
11.機器學習策略開發流程
11.1 機器學習算法的應用
11.2 機器學習策略的流程：以GB決策樹為例
11.3 機器學習策略的預測能力
12.GB決策樹模型
12.1 決策樹模型介紹
12.2 決策樹模型選股策略的參數選擇與擬合效果
12.3 基於GB決策樹的市值策略及其比較
12.4 結論
13.長短期記憶神經網絡模型
13.1 ISTM的機理與優勢
13.2 長短期記憶模型量化策略
13.3 結論
14.隨機森林模型
14.1 模型介紹
14.2 隨機森林量化投資策略
14.3 結論
15.簡單決策樹模型
15.1 決策樹的概念及其實例
15.2 基於歷史漲跌來預測未來漲跌
15.3 基於技術指標預測股指未來漲跌
15.4 多空策略及表現
15.5 結論
16.臨近取樣模型
16.1 臨近取樣算法簡介
16.2 策略描述
16.3 策略表現
16.4 結論
第四篇 資產配置篇
17.資產配置概述
17.1 投資組合管理過程
17.2 資產配置決策
17.3 資產配置策略
17.4 結論與展望
18.基於風險平價方法的資產配置策略
18.1 風險平價策略的數學模型
18.2 基於風險平價策略的股債配置
18.3 結論與展望
19.基於風險預算方法的資產配置策略
19.1 風險預算配置方法
19.2 基於風險預算方法的股債配置實證分析
19.3 結論與展望
20.基於風險平價方法的行業配置策略
20.1 行業組合配置方法
20.2 基於風險平價方法的A股行業配置實證分析
20.3 結論與展望
21.基於Black―Litterman模型的行業配置策略
21.1 B1ack―Litterman模型
21.2 B1ack―Litterman模型在我國股市行業配置中的應用
21.3 結論與展望
後記
