"實用性：本書首先著眼於量化實戰應用，然後探討深層次的技巧問題。 詳盡的例子：投資者反復練習，舉一反三，就可以真正掌握操盤技巧，從而學以致用。形像生動，圖文並茂：采用了大量的圖表、圖形，展現量化交易的所有知識。"

●目 錄第1章 量化交易概述11.1 初識量化交易21.1.1 什麼是量化交易21.1.2 量化交易與算法交易21.1.3 量化交易與程序化交易21.1.4 量化交易與技術分析31.1.5 量化交易與人工交易31.1.6 為什麼要學習量化交易41.2 量化交易的特點51.3 量化交易的應用61.3.1 投資品種選擇71.3.2 投資時機選擇71.3.3 算法交易71.3.4 各種套利交易91.3.5 資產配置101.4 量化交易的故事111.4.1 朱爾斯·雷格納特的量化交易故事111.4.2 愛德華·索普的量化交易故事121.4.3 詹姆斯·西蒙斯的量化交易故事131.5 量化交易的歷史141.5.1 國外量化交易的歷史141.5.2 國內量化交易的歷史151.6 量化交易的注意事項15第2章 量化交易平臺172.1 初識JoinQuant聚寬量化交易平臺182.2 量化交易平臺的功能182.2.1 高質量數據和強大的研究平臺182.2.2 很好回測體驗和很好模擬交易192.3 賬戶的注冊、登錄及量化交易策略的創建192.3.1 量化交易平臺賬戶的注冊192.3.2 量化交易平臺賬戶的登錄202.3.3 量化交易策略的創建222.4 量化交易策略的選股技巧242.4.1 量化選股的基本設置242.4.2 選股指標272.5 量化交易策略的買賣條件模型312.5.1 輪動模型322.5.2 擇時模型332.6 量化交易策略的風險控制技巧352.6.1 止盈、止損指標352.6.2 其他指標362.7 量化交易策略的其他參數設置技巧362.8 編寫Python代碼來創建量化交易策略382.9 量化交易策略的回測392.10 量化交易策略的模擬交易412.10.1 新建模擬交易並運行412.10.2 查看模擬交易422.10.3 綁定452.11 量化交易策略的實盤交易46第3章 Python開發環境及編程基礎493.1 初識Python503.1.1 Python的發展歷程503.1.2 Python的特點503.2 Python開發環境及配置513.2.1 Python的下載和安裝513.2.2 Python的環境變量配置533.3 Python程序的編寫573.4 利用量化交易平臺編寫Python程序613.4.1 初識IPython Notebook研究平臺623.4.2 利用IPython Notebook編寫Python程序663.5 Python的基本數據類型673.5.1 數值類型673.5.2 字符串693.6 Python的變量與賦值733.6.1 變量命名規則733.6.2 變量的賦值743.7 Python的基本運算743.7.1 算術運算753.7.2 賦值運算763.7.3 位運算773.8 Python的代碼格式783.8.1 代碼縮進783.8.2 代碼注釋793.8.3 空行803.8.4 同一行顯示多條語句80第4章 Python流程控制與特征數據類型814.1 Python的選擇結構824.1.1 關繫運算824.1.2 邏輯運算834.1.3 if語句844.1.4 嵌套if語句864.2 Python的循環結構874.2.1 while循環874.2.2 while循環使用else語句884.2.3 無限循環894.2.4 for循環904.2.5 在for循環中使用range()函數904.2.6 break語句924.2.7 continue語句924.2.8 pass語句934.3 Python的特征數據類型944.3.1 列表944.3.組974.3.3 字典994.3.4 集合100第5章 Python函數與面向對像1045.1 Python內置函數1055.1.1 數學函數1055.1.2 隨機數函數1065.1.3 三角函數1085.1.4 字符串函數1105.2 用戶自定義函數1135.2.1 自定義函數的定義1135.2.2 調用自定義函數1145.2.3 函數的參數傳遞1165.2.4 函數的參數類型1185.2.5 匿名函數1235.3 Python的面向對像1235.3.1 面向對像概念1245.3.2 類與實例1245.3.3 模塊的引用1275.3.4 包1275.4 變量作用域及類型1305.4.1 變量作用域1305.4.2 全局變量和局部變量1315.4.3 global和nonlocal關鍵字132第6章 Python量化交易策略的常用庫1356.1 Numpy庫1366.1.1 ndarray數組基礎1366.1.2 Numpy的矩陣對像1486.2 Pandas庫1496.2.1 一維數組Series1496.2.2 二維數組DataFrame1506.2.3 三維數組Panel160第7章 Python量化交易策略的常用函數與對像1637.1 Python量化交易策略的一般結構1647.1.1 初始化函數1657.1.2 開盤前運行函數1667.1.3 開盤時運行函數1667.1.4 收盤後運行函數1677.2 Python量化交易策略的設置函數1677.2.1 設置基準函數1687.2.2 設置傭金/印花稅函數1687.2.3 設置滑點函數1697.2.4 設置動態復權（真實價格）模式函數1707.2.5 設置成交量比例函數1707.2.6 設置是否開啟盤口撮合模式函數1717.2.7 設置要操作的股票池函數1717.3 Python量化交易策略的定時函數1717.3.1 定時函數的定義及分類1727.3.2 定時函數各項參數的意義1727.3.3 定時函數的注意事項1737.3.4 定時函數的實例1747.4 Python量化交易策略的下單函數1747.4.1 按股數下單函數1747.4.2 目標股數下單函數1757.4.3 按價值下單函數1757.4.4 目標價值下單函數1767.4.5 撤單函數1767.4.6 獲取未完成訂單函數1777.4.7 獲取訂單信息函數1777.4.8 獲取成交信息函數1787.5 Python量化交易策略的日志log1787.5.1 設定log級別1787.5.2 log.info1797.6 Python量化交易策略的常用對像1797.6.1 Order對像1797.6.2 全局對像g1807.6.3 Trade對像1807.6.4 tick對像1807.6.5 Context對像1817.6.6 ition對像1827.6.7 SubPortfolio對像1837.6.8 Portfolio對像1847.6.9 SecurityUnitData對像184第8章 Python量化交易策略的獲取數據函數運用技巧1868.1 history()函數的運用技巧1878.1.1 各項參數的意義1878.1.2 history()函數的應用實例1888.2 attribute_history ()函數的運用技巧1918.3 get_fundamentals ()函數的運用技巧1928.3.1 各項參數的意義1928.3.2 get_fundamentals ()函數的應用實例1938.4 get_fundamentals_continuously ()函數的運用技巧1988.5 get_current_data ()函數的運用技巧1998.6 get_index_stocks ()函數的運用技巧2008.6.1 各項參數的意義2008.6.2 get_index_stocks ()函數的應用實例2018.7 get_industry_stocks()函數的運用技巧2028.8 get_concept_stocks ()函數的運用技巧2038.9 get_all_securities()函數的運用技巧2058.9.1 各項參數的意義2058.9.2 get_all_securities()函數的應用實例2068.10 get_security_info ()函數的運用技巧2078.11 get_billboard_list ()函數的運用技巧2088.11.1 各項參數的意義2088.11.2 get_billboard_list()函數的應用實例2098.12 get_locked_shares ()函數的運用技巧210第9章 Python量化交易策略的基本面選股技巧2119.1 量化選股概述2129.2 成長類因子選股技巧2129.2.1 營業收入同比增長率選股技巧2129.2.2 營業收入環比增長率選股技巧2149.2.3 淨利潤同比增長率選股技巧2159.2.4 淨利潤環比增長率選股技巧2169.2.5 營業利潤率選股技巧2179.2.6 銷售淨利率選股技巧2179.2.7 銷售毛利率選股技巧2189.3 規模類因子選股技巧2209.3.1 總市值選股技巧2209.3.2 流通市值選股技巧2219.3.3 總股本選股技巧2229.3.4 流通股本選股技巧2229.4 價值類因子選股技巧2239.4.1 市淨率選股技巧2239.4.2 市銷率選股技巧2249.4.3 市現率選股技巧2259.4.4 動態市盈率選股技巧2269.4.5 靜態市盈率選股技巧2279.5 質量類因子選股技巧2289.5.1 淨資產收益率選股技巧2289.5.2 總資產淨利率選股技巧2299.6 基本面多因子量化選股230第10章 Python量化交易策略的技術指標函數運用技巧23210.1 量化擇時概述23310.2 趨向指標函數運用技巧23410.2.1 MACD指標函數23410.2.2 EMV指標函數23510.2.3 UOS指標函數23710.2.4 GDX指標函數23810.2.5 DMA指標函數23910.2.6 JS指標函數24010.2.7 MA指標函數24110.2.8 EXPMA指標函數24210.2.9 VMA指標函數24310.3 反趨向指標函數運用技巧24510.3.1 KD指標函數24510.3.2 MFI指標函數24610.3.3 RSI指標函數24710.3.4 OSC指標函數24810.3.5 WR指標函數24910.3.6 CCI指標函數25010.4 壓力支撐指標函數運用技巧25110.4.1 BOLL指標函數25110.4.2 MIKE指標函數25310.4.3 XS指標函數25410.5 量價指標函數運用技巧25610.5.1 OBV指標函數25610.5.2 VOL指標函數25710.5.3 VR指標函數25810.5.4 MASS指標函數259第11章 Python量化交易策略的回測方法與技巧26111.1 量化交易策略回測的流程26211.2 利用Python編寫MACD指標量化交易策略26211.2.1 量化交易策略的編輯頁面26211.2.2 編寫初始化函數26511.2.3 編寫單位時間調用的函數26511.3 設置MACD指標量化交易策略的回測參數26611.4 MACD指標量化交易策略的回測詳情26911.5 MACD指標量化交易策略的風險指標27211.5.1 Alpha（阿爾法）27211.5.2 Beta（貝塔）27311.5.3 Sharpe（夏普比率）27411.5.4 Sortino（索提諾比率）27511.5.5 Information Ratio（信息比率）27611.5.6 Volatility（策略波動率）27711.5.7 Benchmark Volatility（基準波動率）27811.5.8 Max Drawdown（優選回撤）279第12章 Python量化交易策略的機器算法運用技巧28012.1 隨機森林在量化交易中的運用技巧28112.1.1 隨機森林的構建28112.1.2 隨機森林的優缺點28112.1.3 隨機森林在量化交易中的運用實例28212.2 支持向量機（SVM）在量化交易中的運用技巧28412.2.1 什麼是支持向量機（SVM）28512.2.2 支持向量機（SVM）的工作原理28512.2.3 核函數28712.2.4 支持向量機（SVM）的優點28812.2.5 支持向量機（SVM）的缺點28812.2.6 支持向量機（SVM）在量化交易中的運用實例28912.3 樸素貝葉斯在量化交易中的運用技巧29212.3.1 什麼是樸素貝葉斯29212.3.2 樸素貝葉斯的算法思想29212.3.3 樸素貝葉斯的算法步驟29212.3.4 樸素貝葉斯的優缺點29312.3.5 樸素貝葉斯在量化交易中的運用實例29312.4 神經網絡在量化交易中的運用技巧29612.4.1 什麼是人工神經網絡29612.4.2 大腦中細胞細胞網絡29712.4.3 人工神經網絡的基本特征29812.4.4 人工神經網絡的特點29912.4.5 人工神經網絡的算法29912.4.6 人工神經網絡在量化交易中的運用實例301第13章 Python量化交易策略的因子分析運用技巧30513.1 因子的類型及因子分析的作用30613.2 因子分析的Python代碼30613.2.1 因子分析中的三個變量30613.2.2 因子分析中可以使用的基礎因子30713.2.3 calc的參數及返回值30813.3 因子的新建及常見分析30813.3.1 因子的新建30813.3.2 因子的收益分析31113.3.3 因子的IC分析31413.3.4 因子的換手分析31513.4 因子在研究和回測中的使用31713.5 基本面因子運用實例319第14章 Python量化交易策略實戰案例32314.1 MA均線量化交易策略實戰案例32414.1.1 編寫初始化函數32414.1.2 編寫單位時間調用的函數32614.1.3 MA均線量化交易策略的回測32714.2 多均線量化交易策略實戰案例32714.2.1 編寫初始化函數32814.2.2 編寫交易程序函數32814.2.3 多均線量化交易策略的回測33014.3 MACD指標量化交易策略實戰案例33014.3.1 編寫初始化函數33114.3.2 編寫單位時間調用的函數33114.3.3 MACD指標量化交易策略的回測33214.4 KD指標量化交易策略實戰案例33314.4.1 編寫初始化函數33314.4.2 編寫開盤前運行函數33414.4.3 編寫開盤時運行函數33414.4.4 編寫收盤後運行函數33514.4.5 KD指標量化交易策略的回測33514.5 BOLL指標量化交易策略實戰案例33614.5.1 編寫初始化函數33614.5.2 編寫開盤前運行函數33714.5.3 編寫開盤時運行函數33714.5.4 編寫收盤後運行函數33814.5.5 BOLL指標量化交易策略的回測33914.6 多股票持倉量化交易策略實戰案例33914.6.1 編寫初始化函數34014.6.2 編寫單位時間調用的函數34014.6.3 多股票持倉量化交易策略的回測34114.7 醫藥股輪動量化交易策略實戰案例34214.7.1 編寫初始化函數34214.7.2 編寫選股函數34214.7.3 編寫交易函數34314.7.4 醫藥股輪動量化交易策略的回測34314.8 小市值股票量化交易策略實戰案例34414.8.1 編寫初始化函數34414.8.2 編寫選股函數34514.8.3 編寫過濾停牌股票函數34514.8.4 編寫交易函數34614.8.5 小市值股票量化交易策略的回測34614.9 機器算法多因子量化交易策略實戰案例34714.9.1 編寫初始化函數34714.9.2 編寫自定義的交易函數34814.9.3 機器算法多因子量化交易策略的回測353

本書首先講解量化交易的基礎知識，即量化交易的定義、歷史、主要內容及與傳統交易的區別、JoinQuant（聚寬）量化交易平臺；然後講解量化交易開發語言Python，即講解Python語言的開發環境、基本語法、基本流程控制、特征數據類型、函數及應用、面向對像程序設計；接著講解如何利用Python語言編寫量化策略、如何回測、編寫量化策略所需要常用函數、因子分析、量化交易策略實例；最後講解量化選股的技巧、量化擇時的技巧及算法交易。在講解過程中即考慮讀者的學習習慣，又通過具體實例剖析講解量化實際交易過程中的熱點問題、關鍵問題及種種難題。

張彥橋 著

    "自序為什麼要寫這本書？這可能與我的經歷和接觸到的一些事情有關。2014年算是年，我接觸微服務晚一些，大概是在2015年。因為以前從事過架構工作，對SOA也有一定的研究，所以剛接觸微服務時，同很多架構師一樣，第一反應就是——這不就是SOA的一個變種嗎？無非就是把服務的顆粒度放小而已。後來在具體了解和應用微服務技術的過程中，纔知道其實兩者還是有非常大的區別的。雖然接觸微服務晚一些，但是在實際工作中，我卻無意間利用微服務原理解決了一些實際問題。2012年，我工作的單位有一個多服務的產品繫統，這個產品繫統是一個實時7×24小時繫統，對於穩定性、可靠性、實時性和可追溯性的要求非常高，而且在某段特定的時間內還會出現類似“”的業務場景。可是該產品繫統內多種服務混雜，業務邏輯代碼和技術代碼互相滲透，這導致調試、測試、實施都非常困難，等

"前 言在大多數投資者的想像中，量化交易似乎應該是用十幾個顯示屏運行的數學模型，是交易速度以微秒來計的、深不可測的投資方法。誠然，復雜模型和高頻交易屬於量化範疇，但廣義上，量化代表的是一種理性的思維方式。例如，當你著眼於真實數據，理性地運用邏輯分析和歸納統計得出市場的一些觀點和規律，並據此制定和執行明確的交易策略時，你就是在做量化交易。普通個人投資者接近可以運用量化的方法來指導自己的投資決策，事實上，他們常常不經意間就已經用基於經驗、邏輯和數學的量化投資的思維來指導自己的交易了。在金融市場上一直有句話，即美國是機構市，我國A股是散戶市。據統計，美國現在量化交易方式所占比例已經超過70%，但是我國還不到5%。這樣看來，量化交易在我國是有比較大的發展空間的。當前，我國的量化交易主要應用在商品期貨上。隨著股指期貨的上市，期貨市場和證券市場實現了真正意義上的互動，投資者不僅可以在等