新書推薦：
《
大宋理财：青苗法与王安石的金融帝国（全彩插图本）
》
售價：NT$
500.0
《
安全感是内心长出的盔甲
》
售價：NT$
305.0
《
快人一步：系统性能提高之道
》
售價：NT$
505.0
《
我们为什么会做梦：让梦不再神秘的新科学
》
售價：NT$
352.0
《
算法图解（第2版）
》
售價：NT$
356.0
《
科学的奇幻之旅
》
售價：NT$
352.0
《
画艺循谱：晚明的画谱与消闲
》
售價：NT$
653.0
《
新民说·现实政治史：从马基雅维利到基辛格
》
售價：NT$
454.0
|
| 內容簡介： |
全书共18章，前11章主要讲解基础知识。第1章介绍了什么是量化投资，以及为什么要用Python。第2章介绍了如何搭建基础环境，介绍了常用的一些工具。第3章讲解python的基本应用和常用的库。第4章介绍python数据分析中常用的Numpy, Scipy, Pandas。第5章介绍数据分析的基础方法。第6章介绍数据的可视化，使用matplotlib库。第7章介绍基础的金融分析方法。第8章介绍技术分析和时序序列分析，从业界和学术界两种角度来进行分析。第9章介绍了投资组合理论和由此衍生出来的多因子模型。第10章介绍了金融市场中衍生品的分析，以期货和期权为主。第11章从利率开始，介绍了债券的分析方法。
从第12章开始进入实战篇。第12章讲解中国金融市场，主要针对二级市场，并介绍了针对不同市场的基本投资策略。第13章介绍了，研究策略时，所需的数据来源，开源数据和商业数据库都有介绍。并且介绍目前比较流行的python的开源数据源。第14章介绍了如何建立数据库，并且讲解针对不同数据，如何设计数据库。第15章介绍了策略研究基本概念，方法论和流程。第16章介绍了进行自动化交易的接口，并且介绍了目前比较流行的开源项目vn.py。第17章介绍了如何使用python爬取网络上数据，并进行舆情分析。第18章介绍了人工智能的基本概念和算法，并且介绍了人工智能在量化投资中的应用。
|
| 目錄：
|
推荐序一
推荐序二
推荐序三
前言
第1章 量化投资与Python简介1
1.1 量化投资基本概念1
1.2 量化投资的特征2
1.3 量化投资的优势3
1.4 量化、AI并不是一切4
1.5 编程语言比较5
1.5.1 Matlab5
1.5.2 R6
1.5.3 C++6
1.5.4 Python6
1.5.5 其他语言7
1.6 为什么要使用Python7
1.7 Python构建量化投资生产线10
第2章 平台搭建和工具11
2.1 需要考虑的问题11
2.2 编程环境搭建流程12
2.2.1 其他库的安装12
2.2.2 四种集成开发环境（IDE）介绍13
第3章 Python金融分析常用库介绍17
3.1 NumPy17
3.1.1 创建多维数组18
3.1.2 选取数组元素19
3.2 SciPy20
3.3 Pandas21
3.3.1 DataFrame入门21
3.3.2 Series35
3.4 StatsModels36
第4章 可视化分析39
4.1 Matplotlib39
4.1.1 散点图39
4.1.2 直方图40
4.1.3 函数图40
4.1.4 Matplotlib和seaborn的中文乱码问题42
4.2 seaborn43
4.3 python-highcharts47
第5章 统计基础53
5.1 基本统计概念53
5.1.1 随机数和分布53
5.1.2 随机数种子58
5.1.3 相关系数58
5.1.4 基本统计量59
5.1.5 频率分布直方图60
5.2 连续随机变量分布63
5.2.1 分布的基本特征63
5.2.2 衍生特征66
5.3 回归分析68
5.3.1 最小二乘法68
5.3.2 假设检验71
第6章 数据预处理和初步探索74
6.1 数据清理74
6.1.1 可能的问题75
6.1.2 缺失值75
6.1.3 噪声或者离群点76
6.1.4 数据不一致77
6.2 描述性统计77
6.2.1 中心趋势度量77
6.2.2 数据散布度量78
6.3 描述性统计的可视化分析79
6.3.1 直方图79
6.3.2 散点图82
6.3.3 盒图83
第7章 Pandas进阶与实战86
7.1 多重索引86
7.2 数据周期变换90
第8章 金融基础概念92
8.1 收益率92
8.2 对数收益率93
8.3 年化收益93
8.4 波动率93
8.5 夏普比率94
8.6 索提诺比率96
8.7 阿尔法和贝塔96
8.8 最大回撤97
第9章 资产定价入门98
9.1 利率98
9.2 利率的计量99
9.3 零息利率100
9.4 债券定价101
9.4.1 债券收益率101
9.4.2 平价收益率102
9.4.3 国债零息利率确定102
9.4.4 远期利率105
9.5 久期106
9.6 期权106
9.7 期权的描述107
9.8 看涨期权和看跌期权107
9.9 期权价格与股票价格的关系108
9.10 影响期权价格的因素108
第10章 金融时间序列分析110
10.1 为什么用收益率而不是价格110
10.2 金融时间序列定义110
10.3 平稳性112
10.4 白噪声序列112
10.5 自相关系数113
10.6 混成检验114
10.7 AR（p）模型115
10.7.1 AR（p）模型简介115
10.7.2 ARp平稳性检验115
10.7.3 ARp如何确定参数p117
10.8 信息准则119
10.8.1 拟合优度120
10.8.2 预测121
10.9 ARMA模型122
10.9.1 MA模型122
10.9.2 ARMA模型公式124
10.9.3 ARMA模型阶次判定124
10.9.4 建立ARMA模型125
10.10 ARCH和GARCH模型126
10.10.1 波动率的特征127
10.10.2 波动率模型框架127
10.10.3 ARCH模型127
10.10.4 GARCH模型132
第11章 数据源和数据库135
11.1 数据来源135
11.2 TuShare135
11.2.1 TuShare安装136
11.2.2 TuShare的Python SDK136
11.3 pandas-reader137
11.4 万得接口141
11.4.1 一个简单例子141
11.4.2 数据库142
11.4.3 下载所有股票历史数据143
第12章 CTA策略145
12.1 趋势跟踪策略理论基础145
12.2 技术指标146
12.3 主力合约的换月问题147
12.4 用Python实现复权148
12.4.1 加减复权148
12.4.2 乘除复权149
12.5 安装ta-lib151
12.6 ta-lib的指标和函数介绍152
12.7 可叠加指标153
12.7.1 MA、EMA154
12.7.2 Bollinger Bands155
12.8 动量指标156
12.8.1 动量指标简介156
12.8.2 相对强弱指标157
12.9 成交量指标158
12.10 波动率指标158
12.11 价格变换159
12.12 Pattern Recognition160
12.13 一个简单策略模式163
第13章 策略回测165
13.1 回测系统是什么165
13.2 各种回测系统简介165
13.3 什么是回测166
13.4 回测系统的种类167
13.4.1 “向量化”系统167
13.4.2 For循环回测系统167
13.4.3 事件驱动系统168
13.5 回测的陷阱169
13.6 回测中的其他考量169
13.7 回测系统概览170
13.8 使用Python搭建回测系统171
13.8.1 Python向量化回测171
13.8.2 Python For循环回测174
13.8.3 PyAlgoTrade简介177
第14章 多因子风险模型181
14.1 风险定义181
14.2 资本资产定价模型182
14.3 套利定价理论182
14.4 多因子模型183
14.5 多因子模型的优势183
14.6 建立多因子模型的一般流程184
14.6.1 风险因子的种类184
14.6.2 反映外部影响的因子184
14.6.3 资产截面因子184
14.6.4 统计因子184
14.7 行业因子185
14.8 风险因子185
14.8.1 风险因子分类185
14.8.2 投资组合风险分析186
14.9 基准组合186
14.10 因子选择和测试187
14.11 Fama-French三因子模型187
14.12 因子发掘与论证191
14.13 单因子有效性分析alphalens192
14.13.1 数据预处理192
14.13.2 收益率分析195
14.13.3 信息系数分析198
14.14 财务因子为什么不好用201
第15章 资金分配203
15.1 现代均值-方差资产组合理论203
15.1.1 MPT理论简介203
15.1.2 随机权重的夏普比率204
15.1.3 最大化夏普比率207
15.2 Black-Litterman资金分配模型209
15.2.1 MPT的优化矩阵算法209
15.2.2 Black-Litterman模型215
第16章 实盘交易和vn.py框架219
16.1 交易平台简介219
16.2 交易框架vn.py219
16.3 vn.py的安装和配置220
16.3.1 安装VN Studio220
16.3.2 运行VN Station221
16.3.3 启动VN Trader222
16.4 CTA策略模块分析224
16.5 第一个入门策略225
16.5.1 创建策略文件225
16.5.2 定义策略类225
16.5.3 设置参数变量229
16.5.4 交易逻辑实现230
16.5.5 实盘K线合成232
16.6 on_tick和on_bar233
16.6.1 on_tick的逻辑233
16.6.2 on_bar的逻辑234
16.6.3 策略的两种模式235
第17章 Python与Excel交互239
17.1 Excel相关库简介239
17.2 OpenPyxl基础239
17.2.1 OpenPyxl入门操作239
17.2.2 Pandas与Excel242
17.2.3 在Excel中绘图244
后记252
|
| 內容試閱：
|
量化投资在国内算是比较新兴的投资流派，有过很好的业绩，也经历过低谷。要想做好量化投资，主要得把握好两个方面：一是策略逻辑，二是策略实现。
策略逻辑五花八门，比如技术流派的海龟交易策略、网络交易策略等，偏学术流派的多因子策略、统计套利策略等，还有更高端的机器学习策略。策略逻辑本身就是一个非常大的领域，每个人都有自己的想法和套路，而且细节各不相同，真正好用的也不可能全都分享出来。
策略实现则相对比较单纯。当我们准备进行实际的研究和交易时，必须要使用相应的工具来实现研究、回测、交易等功能。相对于策略逻辑来讲，这部分工作更清晰，也更容易标准化，故涌现了大量的第三方平台，比如期货界的文华财经、TradeBlazer，股票界的优矿、聚宽量化等。
第三方平台可以大量节省初期开发成本，对于个人投资者来讲是一个不错的选择。但是，当把量化工作作为长期事业时，这些第三方平台很快会显现出一些短板。比如有的数据不全，有的不支持自动交易等。这个时候，就不得不使用其他的平台了。可以想见，在不同的平台之间切换，其中的学习、管理、维护成本是不可小觑的。
对于机构来说，更是如此，所以不如从一开始就自主开发量化投资平台。在众多的开发语言中，最方便的开发语言则非Python莫属了。
在量化投资的研究过程中，80%的时间都是处理数据。Python处理数据的功能非常强大，用起来也特别顺手，而且Python的统计库也越来越完善。
目前国内Python相关的书以译本居多，虽然这些书对于Python本身的语法讲解是足够的，但是对于量化投资并没有详细的剖析，更不用提贴近国内市场了。
笔者相信在量化投资领域，Python的使用将是大趋势。本书的目的，一是介绍贴近国内市场的量化投资理论和策略；二是介绍Python在量化投资分析中具体的应用案例。一方面，希望能从理论上让读者有一个基本的认知，无论是学术理论还是业界实践理论。另一方面，希望读者能够根据书中具体的代码案例，自己动手实现并改进。
没有理论不行，但只有理论不实践也不行。故书中的内容是理论与实践相结合的，两手都要抓，两手都要硬。本书会针对大框架给出相应的示例，虽然书中所讲的策略不一定能直接拿来就用，但各种策略的大体框架都差不多，差别在于细节和执行，只要读者用心琢磨研究，必然能有所收获。
最后要感谢相关朋友的帮助。感谢迟明浩在股票多因子章节的贡献，感谢机械工业出版社华章公司策划编辑杨绣国的建议和帮助。
如何使用本书
对于量化投资，Python的学习流程一般可以分为如下六个部分。
1）了解基础语法和数据结构。
2）掌握Pandas的使用基础并进阶。
3）掌握统计理论及金融学术理论。
4）掌握金融量化实践、策略研究理论。
5）学习回测平台开发。
6）学习平台开发。
因为市面上已经存在大量讲解Python入门基础的书，故本书略过基础的语法和数据结构，直接从Pandas开始介绍。如果你之前从未使用过Python，那么建议先阅读一两本基础书，学习Python的一些基本语法、特性和内置数据结构（如列表、元组、字典等）。
Python量化投资相关内容非常多，限于篇幅和笔者经验，无法逐一详细介绍，只能介绍一些入门的知识和案例。
如果读者对某个模块特别感兴趣，想要深入研究，或者发现书中所讲有误，可以直接联系笔者：微信号为hellomoon9，邮箱为jason_zzq@foxmail.com。
另外，本书中的很多案例都是笔者根据过去的从业经验边实践边记录的。当读者阅读时，代码很有可能已经过时，故我们维护了一个最新样例代码的网站：https：github.comzzqoxygenpython_quant。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
