新書推薦：
《
秩序四千年：人类如何运用法律缔造文明
》
售價：NT$
704.0
《
民法典1000问
》
售價：NT$
454.0
《
国术健身 易筋经
》
售價：NT$
152.0
《
古罗马800年
》
售價：NT$
857.0
《
写出心灵深处的故事：踏上疗愈之旅（修订版）（创意写作书系）
》
售價：NT$
301.0
《
控制权视角下的家族企业管理与传承
》
售價：NT$
398.0
《
冯友兰和青年谈心系列
》
售價：NT$
762.0
《
利他主义的生意：偏爱“非理性”的市场（英国《金融时报》推荐读物！）
》
售價：NT$
352.0
|
| 編輯推薦： |
系统介绍了如何将人工智能技术应用于量化投资策略的各个环节，包括投资研究、数据挖掘、策略构建、回测、实盘交易等，展现了AI在量化领域的广阔应用前景。
不仅阐述了AI在量化策略驱动上的理论基础，更提供了丰富的实战案例分析和代码示例，确保读者能够学以致用，真正将AI技术应用于实践中。
全面讲解了常见的量化策略类型，如做市、套利、CTA、多因子选股等，分析了这些策略的原理、变化及建模方法。
介绍了基于深度学习、强化学习等AI技术构建做市、套利等策略的创新方法，为传统量化投资开拓了新思路。
整体结构由浅入深，先从量化投资的基本概念出发，再到学术研究，最后落实到实战操作，循序渐进，确保读者能够全面系统地掌握相关知识。
由资深量化投资从业者和AI专家合作撰写，理论与实践并重，观点前沿权威，对于想深入了解AI时代量化投资的读者很有价值。
|
| 內容簡介： |
本书主要利用AI发现和构建有效的量化策略，旨在使读者掌握AI在量化策略中的应用。随着2023年大模型的崛起，投资者需要学会与AI共生，建立个人知识库和灵活应用提示词工程（Prompt Engineering），让AI协助寻找论文、理解论文、编写代码、构建模型、训练模型、生成信号、特征识别、投资组合优化和参数优化等。AI在高质量人群的量化行业中将得到广泛应用和发展，让更多读者能掌握编程和量化技能，从而在AI的帮助下快速开发出适应市场的量化策略。
本书共10章，涵盖量化投资中AI的历史演进、投研平台的构建、量化策略的开发流程、策略分类和介绍、市场主流策略开发、策略回测和实盘准备等内容。书中提供丰富的示例代码，具有较强的实践性和系统性，并配有高等数学、金融工程和计算机科学技术等前置知识，以帮助读者深入理解量化投资策略。
本书适合量化进阶者，也对有经验的策略研究员有参考价值，同时可作为高校和培训机构相关专业的教学参考书。
|
| 關於作者： |
江建武，同济大学硕士，同济大学经管学院MBA校友导师，资深工程师，二十多年IT从业经验。2006年进入量化行业，现与金融机构、BigQuant及高校共创AI量化实验室，并以高频交易dragon自媒体账户发起Dragon量化社区，目前社区拥有职业交易者超万人，初步建成量化生态圈，含数据供应商、经纪商、FOF、MOM、策略研发和交易框架等。
季枫，清华大学硕士，Dragon量化社区核心成员，9年以上互联网/量化交易行业经验，熟悉高频交易，CTA策略等多种策略的设计实践，国内头部资管从业者。
梁举，北京大学文物保护和计算机软件双学士，15年以上互联网/AI行业经验。曾任微软亚洲研究院高级研发工程师，负责Bing全球40 国家的新闻和实时搜索核心算法，通过大规模机器学习等AI技术将搜索质量提升到业界领先水平。现为成都宽邦科技有限公司的创始人兼CEO，研发人工智能基础技术，应用于金融、教育等行业。
|
| 目錄：
|
教学课件（PPT）
本书源码
第1章AI量化投资简介与本书导读(36min)
1.1量化投资简介
1.1.1量化投资定义
1.1.2量化投资特点
1.1.3量化投资优势
1.1.4量化投资发展历程
1.2AI简介
1.2.1AI发展简介
1.2.2人工智能算法简介
1.2.3AI应用现状
1.2.4ChatGPT演进历程与金融应用
1.3研究背景及意义
1.3.1普通投资者业绩现状
1.3.2普通投资者如何改变现状
1.3.3AI驱动加速量化策略研发
1.4量化人的知识结构
1.5配套的资料
第2章量化投研平台搭建(14min)
2.1量化投研平台简介
2.2投研平台常用模块简介
2.2.1数据库模块简介
2.2.2常用在线数据库
2.2.3常用本地数据库
2.2.4策略构建模块简介
2.2.5策略回测模块简介
2.3投研平台实例： BigQuant
2.3.1量化数据库模块实例
2.3.2策略构建模块实例
2.4常见投研平台与开源框架介绍
2.4.1常见投研平台
2.4.2常见开源框架
第3章人工智能时代下的量化策略开发(25min)
3.1证券交易发展历程
3.2AI时代的量化策略开发与传统量化策略开发比较
3.2.1传统策略开发的问题
3.2.2AI驱动量化策略开发的特点
3.2.3策略开发流程异同
3.3AI技术在量化开发场景下的应用
3.3.1策略灵感来源
3.3.2策略解读与编码
3.3.3数据获取
3.3.4数据表征与模型构建
3.3.5策略调优
3.3.6业绩归因分析
3.4AI驱动下的知识库搭建
3.4.1LangChain简介
3.4.2建立向量数据库
3.4.3寻找高质量论文并下载
3.4.4利用ChatGPT进行批量论文粗读
3.4.5利用ChatPDF进行论文精读
3.4.6建立私有知识库并进行交互
第4章常见量化策略的分类与介绍(14min)
4.1量化策略分类方式
4.2经典策略类型概述
4.2.1CTA策略概述
4.2.2套利策略概述
4.2.3做市策略概述
4.2.4多因子策略概述
第5章做市策略(31min)
5.1做市的基本概念
5.2高频做市策略
5.3做市策略的收益来源
5.4经典做市策略AS模型
5.4.1模型推导
5.4.2AS模型通俗解读与应用
5.4.3AS模型工程化实现
5.5经典做市策略GP模型
5.5.1马尔可夫链
5.5.2马尔可夫链的性质
5.5.3泊松过程与Cox过程
5.5.4鞅参考价格
5.5.5列维过程
5.5.6GP模型通俗解读
5.5.7基于动态规划方法的高频做市策略模型GP模型
5.6订单簿的泊松过程建模
5.6.1文献综述
5.6.2问题引入
5.6.3限价订单簿随机过程模型
5.6.4泊松过程模型的应用效果
5.7订单簿信息作为交易信号
5.7.1开仓逻辑
5.7.2平仓逻辑
5.7.3回测结果
5.7.4订单流与消息面的关系
5.8订单簿的机器学习模型
5.8.1订单簿的DeepLOB模型
5.8.2模型的应用
5.8.3模型的效果
5.9强化学习
5.9.1强化学习简介
5.9.2强化学习基本概念
5.9.3马尔可夫决策过程
5.9.4贝尔曼方程
5.9.5贝尔曼最优方程
5.10模型介绍
5.10.1数据准备
5.10.2特征工程
5.10.3模型准备
5.10.4模型训练
第6章套利策略(18min)
6.1套利策略概述
6.2标的筛选
6.2.1距离法
6.2.2协整法
6.2.3收益率相关性
6.2.4聚类
6.2.5PCA
6.3预测择时
6.3.1时间序列法
6.3.2强化学习法
6.4Copula法
6.4.1Copula简介
6.4.2Copula的理论概述
6.4.3常见的Copula类型
6.4.4交易策略构建
6.5风险管理
6.6总结
第7章CTA策略(22min)
7.1CTA策略简介
7.1.1CTA的定义
7.1.2CTA策略的投资标的
7.1.3CTA主流操盘策略介绍
7.2CTA策略的重要性
7.2.1CTA策略的危机Alpha属性
7.2.2CTA策略的灵活性与高回报性
7.2.3CTA策略的缺点
7.3CTA策略的业绩表现
7.3.1海外CTA基金规模
7.3.2国内CTA基金发展现状
7.3.3国内CTA基金业绩表现
7.4趋势跟踪策略
7.4.1趋势跟踪策略的逻辑
7.4.2趋势跟踪策略模型
7.4.3经典趋势跟踪策略
7.4.4案例： 趋势跟踪策略
7.5TALib金融量化技术分析库介绍
7.5.1TALib简要介绍
7.5.2常用的技术指标及解释
7.5.3使用TALib库实现技术指标
7.6期货截面多因子策略
7.6.1期货截面多因子策略的逻辑
7.6.2八大类期货截面因子
7.6.3期货多因子策略案例
7.7网格策略介绍
7.7.1网格策略的逻辑
7.7.2网格交易的收益来源
7.7.3网格交易法步骤
7.7.4网格交易的问题
7.7.5动态网格设置
7.7.6网格交易仓位管理
7.7.7网格策略案例
7.7.8笔者寄语
7.8风险管理和资金分配
7.8.1品种选择
7.8.2杠杆控制
7.8.3资金分配
7.8.4风险控制
7.9使用Optuna Vectorbt调优交易策略
7.9.1Optuna基础
7.9.2Vectorbt基础
7.9.3Optuna 案例分析
7.9.4使用Vectorbt进行回测
7.9.5使用Optuna进行交易策略优化
第8章多因子选股策略(21min)
8.1中国股市简介
8.2选股策略概述
8.2.1资本性资产定价模型
8.2.2FamaFrench三因子模型
8.2.3Barra因子模型
8.2.4模型关联
8.3经典选股因子
8.3.1市场因子
8.3.2财务因子
8.3.3行业因子
8.3.4技术因子
8.3.5情绪因子
8.4因子组合方法
8.4.1相关定义
8.4.2等权法
8.4.3历史因子收益率(半衰)加权法
8.4.4历史因子半衰加权法
8.4.5最大化 IC_IR 加权法
8.4.6最大化 IC 加权法
8.4.7主成分分析法
8.4.8机器学习法
8.5案例： 多因子选股
8.5.1因子挖掘概述
8.5.2单因子测试体系
8.5.3市场风格与因子监测体系
8.5.4收益因子基本模块与性质
8.5.5因子挖掘基本方法
8.5.6量价因子挖掘案例
8.5.7高频因子挖掘案例
8.5.8基本面因子挖掘案例
第9章量化回测(12min)
9.1量化回测简介
9.1.1量化回测的定义
9.1.2量化回测的目的和意义
9.2量化回测的准备工作
9.3回测平台选择
9.4量化回测
9.4.1回测引擎介绍
9.4.2策略回测架构
9.4.3常见对象说明
9.4.4回测引擎API
9.4.5重要API介绍
9.5量化回测结果分析
9.5.1收益概况
9.5.2绩效分析
9.5.3交易及持仓
9.6量化回测经典案例
9.6.1买入并持有策略
9.6.2基金双均线策略
9.6.3可转债双低策略
9.6.4AS模型做市策略
9.6.5跨期套利策略
9.6.6期货海龟交易策略
9.6.7期货布林带趋势策略
9.6.8基于小市值的因子选股策略
9.7量化回测注意事项
9.7.1理解回测的目的和意义
9.7.2数据准备和清洗
9.7.3策略参数优化
9.7.4交易成本、滑点、实盘一致性处理
9.7.5其他量化回测中常见的坑
9.7.6风险控制与资金管理
第10章实盘准备(20min)
10.1了解交易市场
10.2了解交易所的规则
10.2.1中国股票市场交易规则
10.2.2中国期货市场交易规则
10.3经纪商的选择
10.3.1股票经纪商
10.3.2期货经纪商
10.4选择交易标的
10.4.1股票交易标的选择
10.4.2期货交易标的选择
10.5交易平台的选择
10.6交易柜台的选择
10.7交易网络的选择
10.8服务器的选择
10.9高频交易的终极选择
10.10交易中的风险控制
10.11了解你自己
10.12总结与展望
10.12.1总结
10.12.2展望
10.12.3寄语
参考文献
|
| 內容試閱：
|
党的二十大报告指出： 教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑。必须坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略，这三大战略共同服务于创新型国家的建设。高等教育与经济社会发展紧密相连，对促进就业创业、助力经济社会发展、增进人民福祉具有重要意义。
在大数据和大模型的推动下，量化领域发生了深刻的变革，尤其在策略研究方面。AI随着算力爆炸性增长和智能的提升，它可以驱动量化策略研发全流程，可协助寻找论文、理解论文、编写代码、构建模型、训练模型、生成信号、特征识别、投资组合优化和参数优化等。本书旨在阐述AI如何应用在量化策略构建全流程，特别是在具体量化策略中应用前沿的算法，达到降本增效及提高投资业绩的目的。
阅读高质量的论文是策略研发者的技能，但专业英语阅读、数学公式理解和论文价值判断的难度常使量化爱好者望而却步。有时，他们可能花费大量时间复现论文，却发现该模型收益有限，泛化能力或在其他数据集中表现不佳。面对每天数百篇的国内外论文，如何利用人工智能和各种技术手段识别出经典、开创性和集大成的论文成为关键。笔者根据CTA策略、多因子选股、套利策略、高频策略和机器学习策略进行分类，通过AI寻找高质量的论文，借助ChatGPT等工具辅助阅读专业文献、理解数学公式，然后通过Python实现论文算法、策略回测和实盘操作来详述AI在量化策略研发全流程的应用。
本书主要内容
第1章AI量化投资简介与本书导读。本章论述量化投资的定义、特点、优势和发展演进历程，对AI技术的发展和应用现状进行了阐述，特别是对LLM的发展演进历程和金融领域的应用进行了详细论述。介绍本书的研究背景和意义，强调AI在量化交易中具有理论与实践双重价值，并将投资者以本金、学习能力、投资心态三个维度进行划分，明确投资者重点学习的策略。
第2章量化投研平台搭建。本章介绍了投研平台的搭建，包括数据库、数据获取、策略构建模块、策略回测模块、交易执行模块等，以及常见的投研平台和开源框架。
第3章人工智能时代下的量化策略开发。探讨了人工智能时代下的量化策略开发模式对比，并介绍了如何搭建LangChain ChatGLM平台开启私人知识库的论文阅读体系。
第4章常见量化策略的分类与介绍。本章主要介绍了市场主流策略的分类和来源，包括高频交易、做市策略、CTA策略、多因子选股策略和套利策略等。
第5章做市策略。本章介绍了两种经典的做市策略，即AS模型和GP模型； 利用订单簿泊松过程建模的方法挖掘订单簿信号，订单簿的机器学习模型； 介绍了强化学习的基本概念和贝尔曼最优方程，利用A2C算法对订单簿进行建模。
第6章套利策略。系统地介绍套利标的筛选和预测择时，包含近20年来主流的套利策略和学术前沿的套利方法。标的筛选包括距离法、协整法、收益率相关性、风格暴露、聚类、PCA。预测择时有时间序列法和强化学习法。章节最后介绍了Copula法和风险管理。
第7章CTA策略。本章全面阐述了主流的CTA策略，从策略简介、定义、重要性、业绩表现等方面概述CTA策略； 具体介绍趋势跟随策略、期货截面多因子策略、网格策略； 配套TALib、风险管理和资金分配模块； 最后讲解Optuna Vectorbt参数优选案例。
第8章多因子选股策略。本章介绍资产定价模型、三因子模型和Barra因子模型，随后介绍经典的单因子选股和因子组合方法。最后给出选股案例和因子评价方法，系统阐述多因子选股的实战流程。
第9章量化回测。本章具体介绍如何使用BigQuant进行回测，主要介绍回测引擎的使用、回测结果分析并给出大量回测案例和回测过程中的细节控制。
第10章实盘准备。本章为实盘准备提供了指导，包括股票交易、期货交易的规则，如何选择标的、交易柜台、交易平台、交易网络、经纪商、服务器等。本章提醒投资者注意风险控制和仓位控制； 了解自己和采用的策略。最后本章对全书进行总结和展望，展望量化发展方向。
阅读建议
本书是量化进阶的书籍，既有理论知识和数学公式推导，又有丰富的代码示例，包括详细的策略实施流程，实操性强。由于量化投资是一个多学科交叉的职业，需要掌握高等数学、金融工程和计算机科学技术，建议读者在阅读本书前，对上述前置知识进行充分复习，本书提供了相应的配套视频。此外，量化策略章节配套了相关的代码示例，全部以Jupyter Notebook格式提供，以便读者复现和验证。
投资涉及风险。本书所有代码与示例仅限于教育用途，并不代表任何投资建议。本书不代表将来的交易会产生与示例同样的回报或亏损。
投资者在做出交易决策之前必须评估风险，确认自身可以承受风险方可投资。
资源下载提示
素材(源码)等资源： 扫描目录上方的二维码下载。
视频等资源： 扫描封底的文泉云盘防盗码，再扫描书中相应章节的二维码，可以在线学习。
致谢
本书撰稿过程得到Dragon量化社区和BigQuant(宽邦科技)的鼎力支持，社区成员近20多位业界精英贡献内容和进行统稿工作，他们大部分毕业于国内985顶尖院校或全球QS Top 100强院校。本书的主要撰稿人员包括江建武(负责第1~5章、第10章的框架安排和主要撰稿任务)、季枫(负责第6章框架安排及第7章主要撰稿任务和统筹安排)、梁举(负责第8章和第9章的主要撰稿任务)等。
本书撰稿过程中，感谢Dragon社区成员贡献相关内容，具体章节和参编人员按照章节顺序如下。
第1章刘钟秦补充介绍AI发展历程及调整章节架构和改稿工作。
第2~4章李树毅博士、洛云七对章节逻辑和架构进行了调整，其中4.2.3节内容由做市策略PM王者风提供内容。
第5章GP模型和强化学习由CQF持证人Galois明昊撰稿，江建武进行改稿并提供相应代码。基于随机过程和深度学习模型的订单簿建模部分由CFA持证人熊元康撰稿，他拥有美国及新加坡双硕士、工程学及金融学双学士学位，曾任美国道富银行量化研究员，现任头部券商自营量化交易员。
第6章套利策略章节由唐承治和季枫进行统稿校对，时间序列法章节由钟睿撰稿，协整法章节由张英发撰稿，随机控制章节由张南怡撰稿，Copula章节由钟宪庆撰稿，强化学习章节由梁栋撰稿，综述和机器学习由季枫撰稿。
第7章CTA策略前4节由Rich、Alex和Ray撰稿，策略实施流程和相关案例由张辛宁、张若琦、季枫撰稿。7.5节由邵守田带队完成，7.6节由同济大学吴卓远撰稿，网格策略和后续节由季枫带队完成撰稿。
第8章选股策略概述和选股因子由BigQuant首席执行官梁举、Ray撰稿，因子的组合方法由吴卓远撰稿，多因子选股实践与案例由北京大学金融系周伟伦撰稿，选股案例的代码由熊元康提供，章节统稿由BigQuant首席策略官邵守田完成。
第9章回测由梁举撰稿，宽邦科技陈旭团队、范天旭进行统稿和校对。
第10章实盘前的准备，资深期货人熊震先生提供期货相关资料和部分章节撰稿，刘钟秦进行了统稿。
写一本科技类的图书力求做到用词准确、行文逻辑清晰、代码规范、符合出版要求，而且参与编纂和统稿的大部分人员有主业，为了高质量地完成图书编辑工作，本书主创团队委托浙江大学李树毅博士带队，Dragon量化社区腾龙一期的学员范天旭、江林昊等进行全书的校对和润色工作。此外，要感谢BigQuant在撰稿期间提供算力平台、数据和各种资料，特别感谢邵守田、何惠琳、陈志杰校稿人员的鼎力支持，感谢资深互联网专家从业者临风先生参与书籍修订工作。尤其感谢徐江平提供的内容质量评价体系。由于参与人员较多，可能遗漏部分参编人员，在此对所有参与编辑的人员表示衷心感谢。
由于时间仓促，书中难免存在不妥之处，请读者见谅，并提宝贵意见。
江建武季枫梁举
2024年6
月
图书简介
|
|
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
