●第1章量化投資入門1
1.1量化投資及定義1
1.2量化投資與傳統投資的比較2
1.2.1兩種投資策略簡介2
1.2.2量化投資相對於傳統投資的主要優勢2
1.3量化投資的國外發展現狀及國內投資市場未來展望4
1.3.1量化金融和理論的建立過程4
1.3.2國外量化投資基金的發展歷史5
1.3.3國內量化投資基金的發展歷史8
1.3.4國內投資市場未來展望8
1.4突發彙率、加息、商譽的應對方法9
1.4.1突發彙率變化和加息的應對方法10
1.4.2面對商譽減值的應對方法12
第2章量化投資策略的設計思路17
2.1量化投資策略的研發流程18
2.2量化投資策略的可行性研究20
2.3量化平臺常用語言——Python22
2.3.1Python簡介22
2.3.2量化基礎語法及數據結構23
2.3.3量化中函數的定義及使用方法40
2.3.4面向對像編程OOP的定義及使用方法43
2.3.5itertools的使用方法48
2.4量化投資工具——Matplotlib51
2.4.1Matplotlib基礎知識52
2.4.2Matplotlib可視化工具基礎56
2.4.3Matplotlib子畫布及loc的使用58
2.5Matplotlib繪制K線圖的方法61
2.5.1安裝財經數據接口包（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65
3.1選擇回測平臺的技巧65
3.1.1根據個人特點選擇回測平臺66
3.1.2回測平臺的使用方法與技巧66
3.2調用金融數據庫中的數據68
3.2.1歷史數據庫的調取68
3.2.2數據庫的分析方法與技巧72
3.3回測與實際業績預期偏差的調試方法74
3.4設置回測參數75
3.4.1start和end回測起止時間75
3.4.2universe證券池76
3.4.3benchmark參考基準78
3.4.4freq和refresh_rate策略運行頻率78
3.5賬戶設置83
3.5.1accounts賬戶配置83
3.5.2AccountConfig賬戶配置85
3.6策略基本方法88
3.7策略運行環境89
3.7.1now90
3.7.2current_date90
3.7.3previous_date91
3.7.4current_minute91
3.7.5current_price92
3.7.6get_account93
3.7.7get_universe93
3.7.8transfer_cash95
3.8獲取和調用數據96
3.8.1history96
3.8.2get_symbol_history103
3.8.3get_attribute_history105
3.8.4DataAPI107
3.9賬戶相關屬性107
3.9.1下單函數107
3.9.2獲取賬戶信息115
3.10策略結果展示120
3.11批量回測122
第4章量化投資擇時策略與選股策略的推進方法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（對衝）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指標選股143
4.2.3指標排序145
4.2.4查看選股146
4.2.5交易配置147
4.2.6策略回測147
4.3擇時——均線趨勢策略148
4.3.1格蘭維爾移動平均線八大法則149
4.3.2雙均線交易繫統150
4.4擇時——移動平均線模型151
4.4.1MA模型的性質151
4.4.2MA的階次判定153
4.4.3建模和預測154
4.5擇時——自回歸策略155
4.5.1AR（p）模型的特征根及平穩性檢驗156
4.5.2AR（p）模型的定階158
4.6擇時——均線混合策略163
4.6.1識別ARMA模型階次164
4.6.2ARIMA模型167
第5章量化對衝策略174
5.1宏觀對衝策略174
5.1.1美林時鐘175
5.1.2宏觀對衝策略特征178
5.2微觀對衝策略：股票投資中的Alpha策略和配對交易178
5.2.1配對交易策略178
5.2.2配對交易策略之協整策略185
5.2.3市場中性Alpha策略簡介202
5.2.4AlphaHorizon單因子分析模塊203
5.3數據加載204
5.3.1uqer數據獲取函數204
5.3.2通過uqer獲取數據209
5.3.3因子數據簡單處理211
5.4AlphaHorizon因子分析——數據格式化213
5.5收益分析214
5.5.1因子選股的分位數組合超額收益214
5.5.2等權做多多頭分位、做空空頭分位收益率分析策略217
5.5.3等權做多多頭分位累計淨值計算220
5.5.4多頭分位組合實際淨值走勢圖221
5.5.5以因子值加權構建組合222
5.6信息繫數分析223
5.6.1因子信息繫數時間序列223
5.6.2因子信息繫數數據分布特征224
5.6.3因子信息繫數月度熱點圖225
5.6.4因子信息繫數衰減分析226
5.7換手率、因子自相關性分析227
5.8分類行業分析228
5.9總結性分析數據231
5.10AlphaHorizon完整分析模板233
第6章數據挖掘241
6.1數據挖掘分類模式241
6.2數據挖掘之神經網絡242
6.2.1循環神經網絡數據的準備和處理243
6.2.2獲取因子的原始數據值和股價漲跌數據243
6.2.3對數據進行去極值、中性化、標準化處理246
6.2.4利用不同模型對因子進行合成256
6.2.5合成因子效果的分析和比較269
6.2.6投資組合的構建和回測270
6.2.7不同模型的回測指標比較282
6.3決策樹295
6.3.1決策樹原始數據295
6.3.2決策樹基本組成296
6.3.3ID3算法297
6.3.4決策樹剪枝302
6.4聯機分析處理303
6.5數據可視化304
第7章量化投資中數據挖掘的使用方法306
7.1SOM神經網絡306
7.2SOM神經網絡結構307
7.3利用SOM模型對股票進行分析的方法308
7.3.1SOM模型中的數據處理308
7.3.2SOM模型實驗309
7.3.3SOM模型實驗結果310
第8章量化投資的資金和風險控制311
8.1資產配置的定義及分類311
8.2資產配置杠杆的使用312
8.2.1宏觀杠杆實例312
8.2.2微觀杠杆實例313
8.3資產配置策略314
8.3.1最小方差組合簡介314
8.3.2經典資產配置B-L模型322
8.4風險平價配置方法的理論與實踐335
8.4.1風險平價配置方法的基本理念335
8.4.2風險平價配置理論介紹336
8.5資產風險的來源343
8.5.1市場風險343
8.5.2利率風險344
8.5.3彙率風險344
8.5.4流動性風險345
8.5.5信用風險345
8.5.6通貨膨脹風險346
8.5.7營運風險346
8.6風險管理細則風險控制的4種基本方法347
8.6.1風險回避347
8.6.2損失控制348
8.6.3風險轉移348
8.6.4風險保留348
8.7做好主觀止損的技巧349
8.7.1沒做好止損——中國石油349
8.7.2積極止損——中國外運350
第9章量化倉位決策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小例子356
9.1.4在實戰中運用凱利公式的難點356
9.2凱利公式實驗驗證357
9.2.1收益率為正態分布時的凱利公式357
9.3等價鞅策略與反等價鞅策略367
9.3.1等價鞅策略定義及示例367
9.3.2反等價鞅策略定義及示例368
9.4購買股指期貨IF1905被套心理分析及應對策略371
9.5期貨趨勢策略倉位管理方法372
9.5.1期貨交易策略373
9.5.2倉位管理的八大方法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需要用到的計算、判斷函數376
9.6.3海龜交易回測378
9.6.4日線螺紋鋼測試379
9.6.5測試不同商品在唐奇安通道N上的表現385
第10章機器學習與遺傳算法393
10.1機器學習繫統及策略393
10.1.1學習策略簡介394
10.1.2學習策略分類394
10.2演繹推理及歸納推理規則396
10.2.1自動推理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專家繫統體繫結構401
10.3.1專家繫統的定義401
10.3.2專家繫統的構成401
10.3.3專家繫統的分類402
10.3.4專家繫統的特點403
10.4遺傳算法基本原理及應用404
10.4.1遺傳算法簡介與特點404
10.4.2基本遺傳算法多層次框架圖405
10.4.3遺傳算法實施步驟406
10.4.4遺傳算法應用406
10.5使用遺傳算法篩選內嵌因子407
10.5.1首先加入Python包407
10.5.2設定時間回測範圍409
10.5.3設置標準化過程410
10.5.4訓練，測試集合的選擇412
10.5.5評價指標413
10.5.6利用遺傳算法改進過程414
第11章人工智能在量化投資策略中的應用420
11.1人工智能選股Boosting模型使用方法420
11.1.1對數據進行預處理——獲取因子數據和股價漲跌數據420
11.1.2對數據進行去極值、中性化、標準化處理424
11.1.3模型數據準備428
11.2Boosting模型因子合成430
11.2.1模型訓練431
11.2.2模型結果分析437
11.2.3因子重要度分析438
11.3因子測試440
11.3.1載入因子文件440
11.3.2回測詳情441
11.3.3Boosting模型合成因子分組回測459

本書是一本利用Python技術，結合人工智能、神經網絡和機器學習、遺傳算法等互聯網技術進行相應行業模型開發的技術圖書。本書第1～4 章主要講解了利用Python軟件分析模型開發的入門知識，包括開發工具的使用、測試技術難點等內容；第5～7 章主要講解了利用人工智能中的神經網絡技術進行技術研發，利用數據挖掘技術完善行業技術模型的數據加載與分析等內容；第8～9 章主要講解了利用大數據進行技術配置和風險控制等內容；第10～11 章主要講解了利用機器學習與遺傳算法進行相應模型開發等內容。全書內容專業，案例豐富翔實，是作者多年來利用開發軟件和人工智能結合進行相關領域軟件開發與探索的很好結晶。本書不僅適合想利用Python進行軟件開發的用戶，也適合有一定經驗但想深入掌握人工智能、機器學習技術進行行業應用的用戶使用，還可以作為機構培訓的優秀教材。