第一篇 基礎(chǔ)篇 
第1章 緒論 2 
1．1 量化投資與數(shù)據(jù)挖掘的關(guān)系 2 
1．1．1 什么是量化投資 2 
1．1．2 量化投資的特點 3 
1．1．3 量化投資的核心――量化模型 5 
1．1．4 量化模型的主要產(chǎn)生方法―― 
數(shù)據(jù)挖掘 7 
1．2 數(shù)據(jù)挖掘的概念和原理 8 
1．2．1 什么是數(shù)據(jù)挖掘 8 
1．2．2 數(shù)據(jù)挖掘的原理 10 
1．3 數(shù)據(jù)挖掘在量化投資中的應(yīng)用 11 
1．3．1 宏觀經(jīng)濟分析 11 
1．3．2 估價 13 
1．3．3 量化選股 14 
1．3．4 量化擇時 14 
1．3．5 算法交易 14 
1．4 本章小結(jié) 15 
參考文獻 16 
第2章 數(shù)據(jù)挖掘的內(nèi)容、過程及 
工具 17 
2．1 數(shù)據(jù)挖掘的內(nèi)容 17 
2．1．1 關(guān)聯(lián) 17 
2．1．2 回歸 19 
2．1．3 分類 20 
2．1．4 聚類 21 
2．1．5 預測 22 
2．1．6 診斷 23 
2．2 數(shù)據(jù)挖掘過程 24 
2．2．1 數(shù)據(jù)挖掘過程概述 24 
2．2．2 挖掘目標的定義 25 
2．2．3 數(shù)據(jù)的準備 26 
2．2．4 數(shù)據(jù)的探索 28 
2．2．5 模型的建立 29 
2．2．6 模型的評估 33 
2．2．7 模型的部署 35 
2．3 數(shù)據(jù)挖掘工具 36 
2．3．1 MATLAB 36 
2．3．2 SAS 37 
2．3．3 SPSS 38 
2．3．4 WEKA 39 
2．3．5 R 41 
2．3．6 工具的比較與選擇 42 
2．4 本章小結(jié) 43 
參考文獻 43 
第3章 MATLAB快速入門 44 
3．1 MATLAB快速入門 44 
3．1．1 MATLAB概要 44 
3．1．2 MATLAB的功能 45 
3．1．3 快速入門案例 46 
3．1．4 入門后的提高 55 
3．2 MATLAB常用技巧 55 
3．2．1 常用標點的功能 55 
3．2．2 常用操作指令 56 
3．2．3 指令編輯操作鍵 56 
3．2．4 MATLAB數(shù)據(jù)類型 56 
3．3 MATLAB開發(fā)模式 58 
3．3．1 命令行模式 58 
3．3．2 腳本模式 58 
3．3．3 面向?qū)ο竽Ｊ?58 
3．3．4 三種模式的配合 58 
3．4 小結(jié) 59 
第二篇 技術(shù)篇 
第4章 數(shù)據(jù)的準備 63 
4．1 數(shù)據(jù)的收集 63 
4．1．1 認識數(shù)據(jù) 63 
4．1．2 數(shù)據(jù)挖掘的數(shù)據(jù)源 64 
4．1．3 數(shù)據(jù)抽樣 65 
4．1．4 量化投資的數(shù)據(jù)源 67 
4．1．5 從雅虎獲取交易數(shù)據(jù) 69 
4．1．6 從大智慧獲取財務(wù)數(shù)據(jù) 71 
4．1．7 從Wind中獲取高質(zhì)量數(shù)據(jù) 73 
4．2 數(shù)據(jù)質(zhì)量分析 75 
4．2．1 數(shù)據(jù)質(zhì)量分析的必要性 75 
4．2．2 數(shù)據(jù)質(zhì)量分析的目的 75 
4．2．3 數(shù)據(jù)質(zhì)量分析的內(nèi)容 76 
4．2．4 數(shù)據(jù)質(zhì)量分析的方法 76 
4．2．5 數(shù)據(jù)質(zhì)量分析的結(jié)果及應(yīng)用 82 
4．3 數(shù)據(jù)預處理 82 
4．3．1 為什么需要數(shù)據(jù)預處理 82 
4．3．2 數(shù)據(jù)預處理的主要任務(wù) 83 
4．3．3 數(shù)據(jù)清洗 84 
4．3．4 數(shù)據(jù)集成 88 
4．3．5 數(shù)據(jù)歸約 89 
4．3．6 數(shù)據(jù)變換 90 
4．4 本章小結(jié) 92 
參考文獻 93 
第5章 數(shù)據(jù)的探索 94 
5．1 衍生變量 95 
5．1．1 衍生變量的定義 95 
5．1．2 變量衍生的原則和方法 96 
5．1．3 常用的股票衍生變量 96 
5．1．4 評價型衍生變量 101 
5．1．5 衍生變量數(shù)據(jù)收集與集成 103 
5．2 數(shù)據(jù)的統(tǒng)計 104 
5．2．1 基本描述性統(tǒng)計 105 
5．2．2 分布描述性統(tǒng)計 106 
5．3 數(shù)據(jù)可視化 106 
5．3．1 基本可視化方法 107 
5．3．2 數(shù)據(jù)分布形狀可視化 108 
5．3．3 數(shù)據(jù)關(guān)聯(lián)情況可視化 110 
5．3．4 數(shù)據(jù)分組可視化 111 
5．4 樣本選擇 113 
5．4．1 樣本選擇的方法 113 
5．4．2 樣本選擇應(yīng)用實例 113 
5．5 數(shù)據(jù)降維 116 
5．5．1 主成分分析（PCA）基本 
原理 116 
5．5．2 PCA應(yīng)用案例：企業(yè)綜合 
實力排序 118 
5．5．3 相關(guān)系數(shù)降維 122 
5．6 本章小結(jié) 123 
參考文獻 123 
第6章 關(guān)聯(lián)規(guī)則方法 124 
6．1 關(guān)聯(lián)規(guī)則概要 124 
6．1．1 關(guān)聯(lián)規(guī)則的提出背景 124 
6．1．2 關(guān)聯(lián)規(guī)則的基本概念 125 
6．1．3 關(guān)聯(lián)規(guī)則的分類 127 
6．1．4 關(guān)聯(lián)規(guī)則挖掘常用算法 128 
6．2 Apriori算法 128 
6．2．1 Apriori算法的基本思想 128 
6．2．2 Apriori算法的步驟 129 
6．2．3 Apriori算法的實例 129 
6．2．4 Apriori算法的程序?qū)崿F(xiàn) 132 
6．2．5 Apriori算法的優(yōu)缺點 135 
6．3 FP-Growth算法 136 
6．3．1 FP-Growth算法步驟 136 
6．3．2 FP-Growth算法實例 137 
6．3．3 FP-Growth算法的優(yōu)缺點 139 
6．4 應(yīng)用實例：行業(yè)關(guān)聯(lián)選股法 139 
6．5 本章小結(jié) 141 
參考文獻 142 
第7章 數(shù)據(jù)回歸方法 143 
7．1 一元回歸 144 
7．1．1 一元線性回歸 144 
7．1．2 一元非線性回歸 148 
7．1．3 一元多項式回歸 153 
7．2 多元回歸 153 
7．2．1 多元線性回歸 153 
7．2．2 多元多項式回歸 157 
7．3 逐步歸回 160 
7．3．1 逐步回歸的基本思想 160 
7．3．2 逐步回歸步驟 161 
7．3．3 逐步回歸的MATLAB方法 162 
7．4 Logistic回歸 164 
7．4．1 Logistic模型 164 
7．4．2 Logistic回歸實例 165 
7．5 應(yīng)用實例：多因子選股模型 
的實現(xiàn) 168 
7．5．1 多因子模型的基本思想 168 
7．5．2 多因子模型的實現(xiàn) 169 
7．6 本章小結(jié) 172 
參考文獻 172 
第8章 分類方法 173 
8．1 分類方法概要 173 
8．1．1 分類的概念 173 
8．1．2 分類的原理 174 
8．1．3 常用的分類方法 175 
8．2 K-近鄰（KNN） 176 
8．2．1 K-近鄰原理 176 
8．2．2 K-近鄰實例 177 
8．2．3 K-近鄰特點 180 
8．3 貝葉斯分類 181 
8．3．1 貝葉斯分類原理 181 
8．3．2 樸素貝葉斯分類原理 182 
8．3．3 樸素貝葉斯分類實例 184 
8．3．4 樸素貝葉斯特點 185 
8．4 神經(jīng)網(wǎng)絡(luò) 185 
8．4．1 神經(jīng)網(wǎng)絡(luò)的原理 185 
8．4．2 神經(jīng)網(wǎng)絡(luò)的實例 188 
8．4．3 神經(jīng)網(wǎng)絡(luò)的特點 188 
8．5 邏輯斯蒂（Logistic） 189 
8．5．1 邏輯斯蒂的原理 189 
8．5．2 邏輯斯蒂的實例 189 
8．5．3 邏輯斯蒂的特點 189 
8．6 判別分析 190 
8．6．1 判別分析的原理 190 
8．6．2 判別分析的實例 191 
8．6．3 判別分析的特點 191 
8．7 支持向量機（SVM） 192 
8．7．1 SVM的基本思想 192 
8．7．2 理論基礎(chǔ) 193 
8．7．3 支持向量機的實例 196 
8．7．4 支持向量機的特點 196 
8．8 決策樹 197 
8．8．1 決策樹的基本概念 197 
8．8．2 決策樹的建構(gòu)的步驟 198 
8．8．3 決策樹的實例 201 
8．8．4 決策樹的特點 202 
8．9 分類的評判 202 
8．9．1 正確率 202 
8．9．2 ROC曲線 204 
8．10 應(yīng)用實例：分類選股法 206 
8．10．1 案例背景 206 
8．10．2 實現(xiàn)方法 208 
8．11 延伸閱讀：其他分類方法 210 
8．12 本章小結(jié) 211 
參考文獻 211 
第9章 聚類方法 212 
9．1 聚類方法概要 212 
9．1．1 聚類的概念 212 
9．1．2 類的度量方法 214 
9．1．3 聚類方法的應(yīng)用場景 216 
9．1．4 聚類方法的分類 217 
9．2 K-means方法 217 
9．2．1 K-means的原理和步驟 218 
9．2．2 K-means實例1：自主編程 219 
9．2．3 K-means實例2：集成函數(shù) 221 
9．2．4 K-means的特點 224 
9．3 層次聚類 225 
9．3．1 層次聚類的原理和步驟 225 
9．3．2 層次聚類的實例 227 
9．3．3 層次聚類的特點 229 
9．4 神經(jīng)網(wǎng)絡(luò)聚類 229 
9．4．1 神經(jīng)網(wǎng)絡(luò)聚類的原理和步驟 229 
9．4．2 神經(jīng)網(wǎng)絡(luò)聚類的實例 229 
9．4．3 神經(jīng)網(wǎng)絡(luò)聚類的特點 230 
9．5 模糊C-均值（FCM）方法 230 
9．5．1 FCM的原理和步驟 230 
9．5．2 FCM的應(yīng)用實例 232 
9．5．3 FCM算法的特點 233 
9．6 高斯混合聚類方法 233 
9．6．1 高斯混合聚類的原理和步驟 233 
9．6．2 高斯聚類的實例 236 
9．6．3 高斯聚類的特點 236 
9．7 類別數(shù)的確定方法 237 
9．7．1 類別的原理 237 
9．7．2 類別的實例 238 
9．8 應(yīng)用實例：股票聚類分池 240 
9．8．1 聚類目標和數(shù)據(jù)描述 240 
9．8．2 實現(xiàn)過程 240 
9．8．3 結(jié)果及分析 242 
9．9 延伸閱讀 244 
9．9．1 目前聚類分析研究的主要 
內(nèi)容 244 
9．9．2 SOM智能聚類算法 245 
9．10 本章小結(jié) 246 
參考文獻 246 
第10章 預測方法 247 
10．1 預測方法概要 247 
10．1．1 預測的概念 247 
10．1．2 預測的基本原理 248 
10．1．3 量化投資中預測的主要 
內(nèi)容 249 


10．1．4 預測的準確度評價及影響 
因素 250 
10．1．5 常用的預測方法 251 
10．2 灰色預測 252 
10．2．1 灰色預測原理 252 
10．2．2 灰色預測的實例 254 
10．3 馬爾科夫預測 256 
10．3．1 馬爾科夫預測的原理 256 
10．3．2 馬爾科夫過程的特性 257 
10．3．3 馬爾科夫預測的實例 258 
10．4 應(yīng)用實例：大盤走勢預測 262 
10．4．1 數(shù)據(jù)的選取及模型的建立 263 
10．4．2 預測過程 264 
10．4．3 預測結(jié)果與分析 265 
10．5 本章小結(jié) 265 
參考文獻 267 
第11章 診斷方法 268 
11．1 離群點診斷概要 268 
11．1．1 離群點診斷的定義 268 
11．1．2 離群點診斷的作用 269 
11．1．3 離群點診斷方法分類 271 
11．2 基于統(tǒng)計的離群點診斷 271 
11．2．1 理論基礎(chǔ) 271 
11．2．2 應(yīng)用實例 273 
11．2．3 優(yōu)點與缺點 275 
11．3 基于距離的離群點診斷 275 
11．3．1 理論基礎(chǔ) 275 


11．3．2 應(yīng)用實例 276 
11．3．3 優(yōu)點與缺點 278 
11．4 基于密度的離群點挖掘 278 
11．4．1 理論基礎(chǔ) 278 
11．4．2 應(yīng)用實例 279 
11．4．3 優(yōu)點與缺點 281 
11．5 基于聚類的離群點挖掘 281 
11．5．1 理論基礎(chǔ) 281 
11．5．2 應(yīng)用實例 282 
11．5．3 優(yōu)點與缺點 284 
11．6 應(yīng)用實例：離群點診斷量化 
擇時 284 
11．7 延伸閱讀：新興的離群點 
挖掘方法 286 
11．7．1 基于關(guān)聯(lián)的離群點挖掘 286 
11．7．2 基于粗糙集的離群點挖掘 286 
11．7．3 基于人工神經(jīng)網(wǎng)絡(luò)的離群點 
挖掘 287 
11．8 本章小結(jié) 287 
參考文獻 288 
第12章 時間序列方法 289 
12．1 時間序列的基本概念 289 
12．1．1 時間序列的定義 289 
12．1．2 時間序列的組成因素 290 
12．1．3 時間序列的分類 291 
12．1．4 時間序列分析方法 292 
12．2 平穩(wěn)時間序列分析方法 292 
12．2．1 移動平均法 293 
12．2．2 指數(shù)平滑法 294 
12．3 季節(jié)指數(shù)預測法 295 
12．3．1 季節(jié)性水平模型 295 
12．3．2 季節(jié)性趨勢模型 296 
12．4 時間序列模型 296 
12．4．1 ARMA模型 296 
12．4．2 ARIMA模型 297 
12．4．3 ARCH模型 298 
12．4．4 GARCH模型 298 
12．5 應(yīng)用實例：基于時間序列的 
股票預測 299 
12．6 本章小結(jié) 303 
參考文獻 303 
第13章 智能優(yōu)化方法 304 
13．1 智能優(yōu)化方法概要 305 
13．1．1 智能優(yōu)化方法的概念 305 
13．1．2 在量化投資中的作用 305 
13．1．3 常用的智能優(yōu)化方法 305 
13．2 遺傳算法 307 
13．2．1 遺傳算法的原理 307 
13．2．2 遺傳算法的步驟 308 
13．2．3 遺傳算法實例 316 
13．2．4 遺傳算法的特點 317 
13．3 模擬退火算法 318 
13．3．1 模擬退火算法的原理 318 
13．3．2 模擬退火算法步驟 320 
13．3．3 模擬退火算法實例 323 
13．3．4 模擬退火算法的特點 329 
13．4 應(yīng)用實例：組合投資優(yōu)化 330 
13．4．1 問題描述 330 
13．4．2 求解過程 330 
13．5 延伸閱讀：其他智能方法 331 
13．5．1 粒子群算法 331 
13．5．2 蟻群算法 333 
13．6 本章小結(jié) 334 
參考文獻 335 
第三篇 實踐篇 
第14章 統(tǒng)計套利策略的挖掘與 
優(yōu)化 338 
14．1 統(tǒng)計套利策略概述 338 
14．1．1 統(tǒng)計套利的定義 338 
14．1．2 統(tǒng)計套利策略的基本思想 338 
14．1．3 統(tǒng)計套利策略挖掘的方法 339 
14．2 基本策略的挖掘 340 
14．2．1 準備數(shù)據(jù) 340 
14．2．2 探索交易策略 340 
14．2．3 驗證交易策略 341 
14．2．4 選擇最佳的參數(shù) 342 
14．2．5 參數(shù)掃描法 345 
14．2．6 考慮交易費 346 
14．3 高頻交易策略及優(yōu)化 348 
14．3．1 高頻交易的基本思想 348 
14．3．2 高頻交易的實現(xiàn) 350 
14．4 多交易信號策略的組合及 
優(yōu)化 352 
14．4．1 多交易信號策略 352 
14．4．2 交易信號的組合優(yōu)化機理 354 
14．4．3 交易信號的組合優(yōu)化實現(xiàn) 355 
14．5 本章小結(jié) 358 
參考文獻 358 
第15章 配對交易策略的挖掘與 
實現(xiàn) 360 
15．1 配對交易概述 360 
15．1．1 配對交易的定義 360 
15．1．2 配對交易的特點 361 
15．1．3 配對選取步驟 362 
15．2 協(xié)整檢驗的理論基礎(chǔ) 363 
15．2．1 協(xié)整關(guān)系的定義 363 
15．2．2 EG兩步協(xié)整檢驗法 363 
15．2．3 Johansen協(xié)整檢驗法 364 
15．3 配對交易的實現(xiàn) 365 
15．3．1 協(xié)整檢驗的實現(xiàn) 365 
15．3．2 配對交易函數(shù) 367 
15．3．3 協(xié)整配對中的參數(shù)優(yōu)化 369 
15．4 延伸閱讀：配對交易的 
三要素 370 
15．4．1 配對交易的前提 370 
15．4．2 配對交易的關(guān)鍵 371 
15．4．3 配對交易的假設(shè) 371 
15．5 本章小結(jié) 371 
參考文獻 372 
第16章 基于Wind數(shù)據(jù)的程序化 
交易 373 
16．1 程序化交易概述 373 
16．1．1 程序化交易的定義 373 
16．1．2 程序化交易的實現(xiàn)過程 374 
16．1．3 程序化交易的分類 376 
16．2 數(shù)據(jù)的處理及探索 377 
16．2．1 獲取股票日交易數(shù)據(jù) 377 
16．2．2 計算指標 381 
16．2．3 數(shù)據(jù)標準化 388 
16．2．4 變量篩選 389 
16．3 模型的建立及評估 391 
16．3．1 股票預測的基本思想 391 
16．3．2 模型的訓練及評價 392 
16．4 組合投資的優(yōu)化 394 
16．4．1 組合投資的理論基礎(chǔ) 394 
16．4．2 組合投資的實現(xiàn) 398 
16．5 程序化交易的實施 402 
16．6 本章小結(jié) 403 
參考文獻 404 
第17章 基于Quantrader平臺的 
量化投資 405 
17．1 量化平臺概述 405 
17．1．1 量化平臺現(xiàn)狀 405 
17．1．2 Quantrader量化平臺的構(gòu)成 406 
17．1．3 Quantrader的工作流程 407 
17．2 基于Quantrader平臺的量化 
實現(xiàn)過程 407 
17．2．1 獲取交易數(shù)據(jù) 408 
17．2．2 計算衍生變量 410 


17．2．3 數(shù)據(jù)標準化 410 
17．2．4 變量優(yōu)選 410 
17．2．5 訓練模型 411 
17．2．6 策略回測 411 
17．3 延伸閱讀：Quantrader平臺 
的拓展 412 
第18章 基于數(shù)據(jù)挖掘技術(shù)的量化 
交易系統(tǒng) 415 
18．1 交易系統(tǒng)概述 416 
18．1．1 交易系統(tǒng)的定義 416 
18．1．2 交易系統(tǒng)的作用 416 
18．2 DM交易系統(tǒng)總體設(shè)計 417 
18．2．1 系統(tǒng)目標 417 
18．2．2 相關(guān)約定 418 
18．2．3 系統(tǒng)結(jié)構(gòu) 418 
18．3 短期交易子系統(tǒng) 419 
18．3．1 子系統(tǒng)功能描述 419 
18．3．2 數(shù)據(jù)預處理模塊 419 
18．3．3 量化選股模塊 419 
18．3．4 策略回測模塊 420 
18．4 中長期交易子系統(tǒng) 420 
18．4．1 子系統(tǒng)功能描述 420 
18．4．2 導入數(shù)據(jù)模塊 421 
18．4．3 投資組合優(yōu)化模塊 421 
18．5 系統(tǒng)的拓展與展望 423 
18．6 本章小結(jié) 423 
參考文獻 424