全書(shū)共18章，前11章主要講解基礎(chǔ)知識(shí)。第1章介紹了什么是量化投資，以及為什么要用Python。第2章介紹了如何搭建基礎(chǔ)環(huán)境，介紹了常用的一些工具。第3章講解python的基本應(yīng)用和常用的庫(kù)。第4章介紹python數(shù)據(jù)分析中常用的Numpy, Scipy, Pandas。第5章介紹數(shù)據(jù)分析的基礎(chǔ)方法。第6章介紹數(shù)據(jù)的可視化，使用matplotlib庫(kù)。第7章介紹基礎(chǔ)的金融分析方法。第8章介紹技術(shù)分析和時(shí)序序列分析，從業(yè)界和學(xué)術(shù)界兩種角度來(lái)進(jìn)行分析。第9章介紹了投資組合理論和由此衍生出來(lái)的多因子模型。第10章介紹了金融市場(chǎng)中衍生品的分析，以期貨和期權(quán)為主。第11章從利率開(kāi)始，介紹了債券的分析方法。
從第12章開(kāi)始進(jìn)入實(shí)戰(zhàn)篇。第12章講解中國(guó)金融市場(chǎng)，主要針對(duì)二級(jí)市場(chǎng)，并介紹了針對(duì)不同市場(chǎng)的基本投資策略。第13章介紹了，研究策略時(shí)，所需的數(shù)據(jù)來(lái)源，開(kāi)源數(shù)據(jù)和商業(yè)數(shù)據(jù)庫(kù)都有介紹。并且介紹目前比較流行的python的開(kāi)源數(shù)據(jù)源。第14章介紹了如何建立數(shù)據(jù)庫(kù)，并且講解針對(duì)不同數(shù)據(jù)，如何設(shè)計(jì)數(shù)據(jù)庫(kù)。第15章介紹了策略研究基本概念，方法論和流程。第16章介紹了進(jìn)行自動(dòng)化交易的接口，并且介紹了目前比較流行的開(kāi)源項(xiàng)目vn.py。第17章介紹了如何使用python爬取網(wǎng)絡(luò)上數(shù)據(jù)，并進(jìn)行輿情分析。第18章介紹了人工智能的基本概念和算法，并且介紹了人工智能在量化投資中的應(yīng)用。
推薦序一
推薦序二
推薦序三
前言
第1章 量化投資與Python簡(jiǎn)介 1
1.1 量化投資基本概念 1
1.2 量化投資的特征 2
1.3 量化投資的優(yōu)勢(shì) 3
1.4 量化、AI并不是一切 4
1.5 編程語(yǔ)言比較 5
1.5.1 Matlab 5
1.5.2 R 6
1.5.3 C++ 6
1.5.4 Python 6
1.5.5 其他語(yǔ)言 7
1.6 為什么要使用Python 7
1.7 Python構(gòu)建量化投資生產(chǎn)線 10
第2章 平臺(tái)搭建和工具 11
2.1 需要考慮的問(wèn)題 11
2.2 編程環(huán)境搭建流程 12
2.2.1 其他庫(kù)的安裝 12
2.2.2 四種集成開(kāi)發(fā)環(huán)境（IDE）介紹 13
第3章 Python金融分析常用庫(kù)介紹 17
3.1 NumPy 17
3.1.1 創(chuàng)建多維數(shù)組 18
3.1.2 選取數(shù)組元素 19
3.2 SciPy 20
3.3 Pandas 21
3.3.1 DataFrame入門(mén) 21
3.3.2 Series 35
3.4 StatsModels 36
第4章 可視化分析 39
4.1 Matplotlib 39
4.1.1 散點(diǎn)圖 39
4.1.2 直方圖 40
4.1.3 函數(shù)圖 40
4.1.4 Matplotlib和seaborn的中文亂碼問(wèn)題 42
4.2 seaborn 43
4.3 python-highcharts 47
第5章 統(tǒng)計(jì)基礎(chǔ) 53
5.1 基本統(tǒng)計(jì)概念 53
5.1.1 隨機(jī)數(shù)和分布 53
5.1.2 隨機(jī)數(shù)種子 58
5.1.3 相關(guān)系數(shù) 58
5.1.4 基本統(tǒng)計(jì)量 59
5.1.5 頻率分布直方圖 60
5.2 連續(xù)隨機(jī)變量分布 63
5.2.1 分布的基本特征 63
5.2.2 衍生特征 66
5.3 回歸分析 68
5.3.1 最小二乘法 68
5.3.2 假設(shè)檢驗(yàn) 71
第6章 數(shù)據(jù)預(yù)處理和初步探索 74
6.1 數(shù)據(jù)清理 74
6.1.1 可能的問(wèn)題 75
6.1.2 缺失值 75
6.1.3 噪聲或者離群點(diǎn) 76
6.1.4 數(shù)據(jù)不一致 77
6.2 描述性統(tǒng)計(jì) 77
6.2.1 中心趨勢(shì)度量 77
6.2.2 數(shù)據(jù)散布度量 78
6.3 描述性統(tǒng)計(jì)的可視化分析 79
6.3.1 直方圖 79
6.3.2 散點(diǎn)圖 82
6.3.3 盒圖 83
第7章 Pandas進(jìn)階與實(shí)戰(zhàn) 86
7.1 多重索引 86
7.2 數(shù)據(jù)周期變換 90
第8章 金融基礎(chǔ)概念 92
8.1 收益率 92
8.2 對(duì)數(shù)收益率 93
8.3 年化收益 93
8.4 波動(dòng)率 93
8.5 夏普比率 94
8.6 索提諾比率 96
8.7 阿爾法和貝塔 96
8.8 最大回撤 97
第9章 資產(chǎn)定價(jià)入門(mén) 98
9.1 利率 98
9.2 利率的計(jì)量 99
9.3 零息利率 100
9.4 債券定價(jià) 101
9.4.1 債券收益率 101
9.4.2 平價(jià)收益率 102
9.4.3 國(guó)債零息利率確定 102
9.4.4 遠(yuǎn)期利率 105
9.5 久期 106
9.6 期權(quán) 106
9.7 期權(quán)的描述 107
9.8 看漲期權(quán)和看跌期權(quán) 107
9.9 期權(quán)價(jià)格與股票價(jià)格的關(guān)系 108
9.10 影響期權(quán)價(jià)格的因素 108
第10章 金融時(shí)間序列分析 110
10.1 為什么用收益率而不是價(jià)格 110
10.2 金融時(shí)間序列定義 110
10.3 平穩(wěn)性 112
10.4 白噪聲序列 112
10.5 自相關(guān)系數(shù) 113
10.6 混成檢驗(yàn) 114
10.7 AR（p）模型 115
10.7.1 AR（p）模型簡(jiǎn)介 115
10.7.2 AR(p)平穩(wěn)性檢驗(yàn) 115
10.7.3 AR(p)如何確定參數(shù)p 117
10.8 信息準(zhǔn)則 119
10.8.1 擬合優(yōu)度 120
10.8.2 預(yù)測(cè) 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模型階次判定 124
10.9.4 建立ARMA模型 125
10.10 ARCH和GARCH模型 126
10.10.1 波動(dòng)率的特征 127
10.10.2 波動(dòng)率模型框架 127
10.10.3 ARCH模型 127
10.10.4 GARCH模型 132
第11章 數(shù)據(jù)源和數(shù)據(jù)庫(kù) 135
11.1 數(shù)據(jù)來(lái)源 135
11.2 TuShare 135
11.2.1 TuShare安裝 136
11.2.2 TuShare的Python SDK 136
11.3 pandas-reader 137
11.4 萬(wàn)得接口 141
11.4.1 一個(gè)簡(jiǎn)單例子 141
11.4.2 數(shù)據(jù)庫(kù) 142
11.4.3 下載所有股票歷史數(shù)據(jù) 143
第12章 CTA策略 145
12.1 趨勢(shì)跟蹤策略理論基礎(chǔ) 145
12.2 技術(shù)指標(biāo) 146
12.3 主力合約的換月問(wèn)題 147
12.4 用Python實(shí)現(xiàn)復(fù)權(quán) 148
12.4.1 加減復(fù)權(quán) 148
12.4.2 乘除復(fù)權(quán) 149
12.5 安裝ta-lib 151
12.6 ta-lib的指標(biāo)和函數(shù)介紹 152
12.7 可疊加指標(biāo) 153
12.7.1 MA、EMA 154
12.7.2 Bollinger Bands 155
12.8 動(dòng)量指標(biāo) 156
12.8.1 動(dòng)量指標(biāo)簡(jiǎn)介 156
12.8.2 相對(duì)強(qiáng)弱指標(biāo) 157
12.9 成交量指標(biāo) 158
12.10 波動(dòng)率指標(biāo) 158
12.11 價(jià)格變換 159
12.12 Pattern Recognition 160
12.13 一個(gè)簡(jiǎn)單策略模式 163
第13章 策略回測(cè) 165
13.1 回測(cè)系統(tǒng)是什么 165
13.2 各種回測(cè)系統(tǒng)簡(jiǎn)介 165
13.3 什么是回測(cè) 166
13.4 回測(cè)系統(tǒng)的種類 167
13.4.1 “向量化”系統(tǒng) 167
13.4.2 For循環(huán)回測(cè)系統(tǒng) 167
13.4.3 事件驅(qū)動(dòng)系統(tǒng) 168
13.5 回測(cè)的陷阱 169
13.6 回測(cè)中的其他考量 169
13.7 回測(cè)系統(tǒng)概覽 170
13.8 使用Python搭建回測(cè)系統(tǒng) 171
13.8.1 Python向量化回測(cè) 171
13.8.2 Python For循環(huán)回測(cè) 174
13.8.3 PyAlgoTrade簡(jiǎn)介 177
第14章 多因子風(fēng)險(xiǎn)模型 181
14.1 風(fēng)險(xiǎn)定義 181
14.2 資本資產(chǎn)定價(jià)模型 182
14.3 套利定價(jià)理論 182
14.4 多因子模型 183
14.5 多因子模型的優(yōu)勢(shì) 183
14.6 建立多因子模型的一般流程 184
14.6.1 風(fēng)險(xiǎn)因子的種類 184
14.6.2 反映外部影響的因子 184
14.6.3 資產(chǎn)截面因子 184
14.6.4 統(tǒng)計(jì)因子 184
14.7 行業(yè)因子 185
14.8 風(fēng)險(xiǎn)因子 185
14.8.1 風(fēng)險(xiǎn)因子分類 185
14.8.2 投資組合風(fēng)險(xiǎn)分析 186
14.9 基準(zhǔn)組合 186
14.10 因子選擇和測(cè)試 187
14.11 Fama-French三因子模型 187
14.12 因子發(fā)掘與論證 191
14.13 單因子有效性分析alphalens 192
14.13.1 數(shù)據(jù)預(yù)處理 192
14.13.2 收益率分析 195
14.13.3 信息系數(shù)分析 198
14.14 財(cái)務(wù)因子為什么不好用 201
第15章 資金分配 203
15.1 現(xiàn)代/均值-方差資產(chǎn)組合理論 203
15.1.1 MPT理論簡(jiǎn)介 203
15.1.2 隨機(jī)權(quán)重的夏普比率 204
15.1.3 最大化夏普比率 207
15.2 Black-Litterman資金分配模型 209
15.2.1 MPT的優(yōu)化矩陣算法 209
15.2.2 Black-Litterman模型 215
第16章 實(shí)盤(pán)交易和vn.py框架 219
16.1 交易平臺(tái)簡(jiǎn)介 219
16.2 交易框架vn.py 219
16.3 vn.py的安裝和配置 220
16.3.1 安裝VN Studio 220
16.3.2 運(yùn)行VN Station 221
16.3.3 啟動(dòng)VN Trader 222
16.4 CTA策略模塊分析 224
16.5 第一個(gè)入門(mén)策略 225
16.5.1 創(chuàng)建策略文件 225
16.5.2 定義策略類 225
16.5.3 設(shè)置參數(shù)變量 229
16.5.4 交易邏輯實(shí)現(xiàn) 230
16.5.5 實(shí)盤(pán)K線合成 232
16.6 on_tick和on_bar 233
16.6.1 on_tick的邏輯 233
16.6.2 on_bar的邏輯 234
16.6.3 策略的兩種模式 235
第17章 Python與Excel交互 239
17.1 Excel相關(guān)庫(kù)簡(jiǎn)介 239
17.2 OpenPyxl基礎(chǔ) 239
17.2.1 OpenPyxl入門(mén)操作 239
17.2.2 Pandas與Excel 242
17.2.3 在Excel中繪圖 244
后記 252
書(shū)單推薦
