具体描述
在目前不断变化、蓬勃发展的中国资本市场，量化投资作为新兴的投资方法，引来越来越多的关注，使用量化投资技术的证券从业人员也越来越多。
本书分为11章，内容包括Python环境的搭建、Python数据相关类库的使用、掘金量化终端的使用、Talib金融库的详解、多因子策略的介绍、带技术指标的多因子策略、中证红利指数增强策略、回归分析与TensorFlow、回归模型的经典应用、配对交易的魔力等。
本书可作为量化投资技术初学者、证券从业人员、金融投资人员的自学用书，也可作为金融机构的培训用书，还可作为高等院校相关专业师生的教学参考书。
作者简介
王晓华，计算机专业资深讲师，为研究生和本科生讲授面向对象程序设计、数据结构、Hadoop程序设计等相关课程。主要研究方向为云计算、数据挖掘。曾主持和参与多项国家和省级科研课题，独立完成一项科研成果并获省级成果认定，发表过多篇论文，申请有一项专利。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》等图书。
目录信息
第1章 走进量化投资 1
1.1 量化投资的诞生背景 1
1.2 量化投资的特点 3
1.3 量化投资的应用 5
1.4 量化投资在我国股市的发展前景 6
1.5 小结 6
第2章 Python的安装与使用 7
2.1 Python的基本安装和用法 7
2.1.1 Anaconda的下载与安装 8
2.1.2 Python编译器PyCharm的安装 11
2.1.3 使用Python计算softmax函数 14
2.2 Python常用类库中的threading 15
2.2.1 threading库的使用 16
2.2.2 threading模块中最重要的Thread类 16
2.2.3 threading中的Lock类 18
2.2.4 threading中的join类 19
2.3 小结 19
第3章 Python类库的使用——数据处理及可视化展示 20
3.1 从小例子起步——NumPy的初步使用 20
3.1.1 数据的矩阵化 20
3.1.2 数据分析 22
3.1.3 基于统计分析的数据处理 24
3.2 图形化数据处理——Matplotlib包的使用 24
3.2.1 差异的可视化 24
3.2.2 坐标图的展示 25
3.2.3 大规模数据的可视化 27
3.3 常用的统计分析方法——相似度计算 30
3.3.1 基于欧几里得距离的相似度计算 30
3.3.2 基于余弦角度的相似度计算 31
3.3.3 欧几里得相似度与余弦相似度的比较 32
3.4 数据的统计学可视化展示 33
3.4.1 数据的四分位 33
3.4.2 数据的四分位示例 34
3.4.3 数据的标准化 37
3.4.4 数据的平行化处理 39
3.4.5 热点图-属性相关性检测 41
3.5 Python实战：某地降雨的关系处理 42
3.5.1 不同年份的相同月份统计 42
3.5.2 不同月份之间的增减程度比较 44
3.5.3 每月的降水量是否相关 45
3.6 小结 46
第4章 欢迎来到掘金量化 47
4.1 基础工作 47
4.1.1 安装掘金终端 47
4.1.2 获取帮助 49
4.2 实战：使用掘金终端进行回测工作 51
4.2.1 创建第一个策略 51
4.2.2 运行回测 52
4.2.3 查看回测结果 54
4.2.4 使用PyCharm进行回测 55
4.3 小结 59
第5章 Talib金融库使用详解 60
5.1 Talib金融工具库的介绍 60
5.1.1 使用Talib获取3日、7日、15日均线 60
5.1.2 EMA的计算 62
5.1.3 MACD的计算 64
5.1.4 MACD斜率的计算方法 66
5.1.5 使用Talib实现国内金融数据指标 67
5.2 Talib金融工具库函数 69
5.2.1 Talib常用函数介绍 73
5.2.2 Talib图像形态识别 75
5.3 实战：Talib金融工具回测实战 83
5.3.1 根据MACD变化回测2017年盈利情况 84
5.3.2 股价的波动范围及未来走势判定 90
5.4 两种经典的轨道突破策略 92
5.4.1 Dual Thrust策略 92
5.4.2 Dynamic Breakout II策略 96
5.5 小结 99
第6章 多因子策略 100
6.1 一个奇怪的问题 100
6.1.1 因子是什么 101
6.1.2 选取因子 102
6.1.3 单因子选股轮动测试 105
6.2 因子的量化选择 108
6.2.1 基于IC值的多因子计算方法 109
6.2.2 基于IC值的多因子计算方法（续） 110
6.2.3 因子IC值计算的目标，等权法因子值的合成 114
6.3 实战：基于成长因子的模型测试 116
6.3.1 模型说明 116
6.3.2 使用模型进行回测 125
6.4 霍华?罗斯曼的投资模型 127
6.4.1 霍华?罗斯曼简介 127
6.4.2 霍华?罗斯曼的投资模型 127
6.4.3 对霍华?罗斯曼模型的分析 128
6.5 小结 131
第7章 带技术指标的多因子策略 132
7.1 技术面多因子介绍 132
7.1.1 101个技术因子 132
7.1.2 基于Talib的技术因子重写 136
7.1.3 一个基于放量技术因子策略的回测 140
7.2 较为复杂的技术因子 143
7.2.1 阻力支撑相对强度因子介绍 143
7.2.2 改进的RSRS因子与回测数据 146
7.2.3 价差偏离度因子介绍 148
7.3 简单的技术性因子—波动率因子 151
7.3.1 波动率因子介绍 151
7.3.2 更多的波动率因子 155
7.4 实战：一个回测成功率100%的中长线买卖例子 158
7.4.1 技术指标的设计 159
7.4.2 回测的设计 164
7.5 小结 166
第8章 人人都是基金经理——中证红利指数增强策略 167
8.1 中证红利指数基金介绍 167
8.1.1 红利指数基金的由来 168
8.1.2 中证红利简介 168
8.2 基于中证红利的指数增强基金策略的构建 169
8.2.1 中证红利策略的构建方法 170
8.2.2 策略回测与优化 173
8.3 小结 173
第9章 掘金量化——回归分析基础 175
9.1 回归分析基础 175
9.1.1 回归法简介 176
9.1.2 一元线性回归 176
9.1.3 多元线性回归 179
9.1.4 回归法的解法——最小二乘法详解 180
9.2 回归分析的一些其他计算方法 183
9.2.1 梯度下降算法与使用TensorFlow计算线性回归 183
9.2.2 线性回归的姐妹——逻辑回归 189
9.3 实战：回归分析——短时间开盘价与收盘价之间的关系 190
9.3.1 量化策略基本思路与简单实现 190
9.3.2 使用掘金量化实现回测 192
9.4 买还是卖——逻辑回归帮你做决定 196
9.4.1 逻辑回归是一种分类算法 196
9.4.2 逻辑回归的TensorFlow实现 197
9.4.3 使用TensorFlow的逻辑回归进行回测 201
9.5 机器学习策略——支持向量机 203
9.5.1 支持向量机的基本概念 203
9.5.2 使用支持向量机进行回测 204
9.6 小结 208
第10章 回归模型的经典应用 209
10.1 CAPM模型简介 210
10.1.1 CAPM定价模型的提出 210
10.1.2 CAPM定价模型的公式与假设 211
10.1.3 CAPM中Beta的定义 212
10.2 Fama-French三因子模型 213
10.2.1 Fama-French模型的基础公式 214
10.2.2 Fama-French模型的实现与回测 215
10.3 PB-ROE回归模型的使用 220
10.3.1 PB-ROE模型介绍 220
10.3.2 PB-ROE模型的实现 221
10.3.3 基于上证180的股票回测 226
10.3.4 使用自定义股票池的PB-ROE回测 232
10.4 小结 242
第11章 配对交易的魔力 243
11.1 配对交易的基本理论 243
11.1.1 相关性分析 244
11.1.2 均值、方差与协方差 246
11.2 协整性的判定与检验 248
11.2.1 协整性 248
11.2.2 平稳性的检验方法 249
11.3 配对交易 253
11.3.1 配对交易的算法 253
11.3.2 提取股票的相关性 254
11.3.3 协整系数的计算方法 257
11.4 配对交易的魔力 263
11.4.1 前期计算 263
11.4.2 协整性判断 265
11.4.3 使用量化掘金回测系统对结果进行判定 266
11.5 小结 270
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
本书在风险管理章节的讲解，可以说是我接触到的量化交易书籍中最为细致和深刻的一部。作者并没有将风险管理仅仅视为一个附加项，而是将其置于量化交易策略的核心地位。他从宏观的风险类型划分，如市场风险、信用风险、流动性风险等，到微观的策略层面风险，如回撤、波动率、夏普比率等，都进行了深入的剖析。我尤其赞赏作者对“黑天鹅”事件的讨论，他并没有回避这种极端情况的发生，而是提供了如何通过分散化、止损等手段来降低潜在损失的思路。书中对VaR（Value at Risk）的讲解也让我受益匪浅，作者不仅解释了VaR的计算方法，还深入讨论了不同VaR计算方法的优缺点，以及如何在实践中合理地运用VaR来度量和控制风险。他通过模拟大量的交易场景，展示了当市场出现剧烈波动时，不同的风险管理措施所带来的截然不同的结果。让我印象深刻的是，作者还强调了风险管理的动态性，即风险并非一成不变，需要根据市场变化和策略表现进行实时调整。这种全方位的风险意识，让我认识到，一个成功的量化交易者，不仅要会“赚钱”，更要会“保钱”。
评分在介绍到交易执行的艺术时，这本书为我打开了一扇全新的大门。我之前一直认为，只要策略好，下单就能很简单。但这本书让我意识到，交易执行本身就是一个复杂且至关重要的环节。作者详细地阐述了不同类型的订单，如市价单、限价单、止损单等，并分析了它们在不同市场条件下的适用性。我印象最深刻的是，他对“滑点”的剖析，他用图文并茂的方式解释了滑点产生的原因，以及如何通过选择合适的交易时间、交易场所、甚至是利用一些高级的订单类型来尽量减少滑点的影响。他还引入了“算法交易”的概念，并介绍了常见的交易算法，如VWAP（成交量加权平均价）和TWAP（时间加权平均价），解释了这些算法如何帮助交易者在不干扰市场价格的情况下，以更优的平均价格完成大额交易。作者并没有回避交易成本的现实，他详细分析了佣金、印花税等各种交易成本对策略收益的影响，并指导我们如何在策略设计和执行过程中考虑这些成本。这种对交易执行细节的深入挖掘，让我意识到，一个看似微不足道的执行环节，却可能对策略的最终盈利能力产生巨大的影响。
评分本书在最后几章对量化交易的未来发展趋势和伦理道德的探讨，给我的触动尤为深刻。作者并没有将量化交易描绘成一个纯粹的技术游戏，而是上升到了行业发展和社会责任的高度。他预测了人工智能、大数据、区块链等新技术将如何进一步改变量化交易的面貌，比如更智能的算法、更个性化的投资组合、以及更透明的交易流程。我印象最深刻的是，作者在探讨量化交易的伦理道德时，并没有回避潜在的争议，比如算法操纵、市场不公平等问题。他引导我们思考，作为量化交易者，应该如何承担起相应的社会责任，如何避免技术滥用，以及如何确保金融市场的公平性和稳定性。这种高度的责任感，让我意识到，量化交易不仅仅是追求个人利益的工具，更需要服务于更广泛的金融市场的健康发展。作者还鼓励我们要保持谦逊的学习态度，不断拥抱变化，并与其他从业者进行交流和分享，共同推动量化交易领域的进步。这种前瞻性和社会责任感的结合，让这本书不仅仅是一本技术手册，更是一本关于如何成为一个负责任的量化交易者的思考录。
评分当我深入阅读这本书的某个章节时，我发现作者在介绍Python在量化交易中的应用时，并没有直接跳到各种高深的库函数，而是从Python语言本身的基础特性出发，详细阐述了为何Python如此适合量化交易。他花了相当长的篇幅来解释Python的易读性、庞大的社区支持以及丰富的第三方库生态系统，这些都是量化交易者构建高效交易系统的关键要素。我尤其欣赏作者在讲解基础语法时，引入了大量与金融数据处理相关的例子。例如，在介绍列表推导式时，他会模拟股票价格的读取和初步处理，让我们在学习语法的同时，就能够感受到这些Python特性如何直接应用于实际的金融数据分析。他并没有回避初学者可能会遇到的困难，比如数据类型、内存管理等问题，而是用非常贴近实际的场景来解释这些概念，让原本抽象的编程知识变得生动具体。我记得有一个章节详细介绍了NumPy和Pandas这两个库，作者将其比喻为量化交易的“瑞士军刀”和“数据管家”。他通过一个模拟股票收益率计算的例子，展示了如何利用Pandas DataFrame高效地读取、清洗、转换和分析大量的金融时间序列数据。这种循序渐进的讲解方式，让我觉得学习过程非常顺畅，每掌握一个新知识点，都能立刻看到它在量化交易场景中的实际应用价值，极大地增强了我的学习动力和信心。
评分这本书的封面设计就透露着一股沉稳而又不失力量的专业感，深邃的蓝色背景配上醒目的白色书名“Python量化交易实战”，瞬间抓住了我的眼球。迫不及待地翻开，首先映入眼帘的是作者对量化交易领域宏大愿景的描绘，那种将冰冷的金融市场与严谨的编程逻辑相结合的魅力，被描绘得淋漓尽致。我一直对量化交易充满好奇，但总觉得门槛很高，无从下手。这本书的开篇，通过一系列引人入胜的案例，展现了量化交易如何颠覆传统交易模式，如何通过数据分析和算法模型捕捉市场机会，甚至是如何规避人为情绪的干扰。作者并没有一开始就抛出复杂的代码，而是从量化交易的哲学层面入手，解释了为什么它如此重要，以及在现代金融体系中扮演的角色。他巧妙地将历史上的经典交易策略与现代的计算能力联系起来，让我深刻理解了量化交易并非空中楼阁，而是有其深厚的理论基础和实践可行性。尤其让我印象深刻的是，作者在引言部分花了大量篇幅强调了学习曲线和持续学习的重要性，这让我意识到，量化交易不是一蹴而就的，需要扎实的知识储备和不断迭代的实践。他用生动的比喻，比如将量化交易比作“为市场量身定制的精密仪器”，让我对这个领域产生了前所未有的敬畏和向往。这本书不仅仅是一本技术手册，更是一本启迪思维、激发热情的入门指南，它成功地将我从一个旁观者变成了一个渴望深入探索的参与者。
评分书中对于数据可视化在量化交易中的应用，我一直认为是一个相对容易被忽视，但却极其重要的方面，而这本书恰恰在这方面给予了我极大的启发。作者并没有简单地展示一些图表，而是深入地阐述了数据可视化如何帮助我们理解复杂的金融数据、发现潜在的交易机会以及评估策略的表现。他详细介绍了Python中强大的可视化库，如Matplotlib、Seaborn以及Plotly，并提供了大量与量化交易相关的实操示例。我印象最深刻的是，作者用交互式图表展示了不同交易策略在不同市场周期下的表现差异，这种直观的呈现方式，让我能够迅速捕捉到策略的优势和劣势。例如，他展示了如何通过热力图来可视化股票之间的相关性，从而帮助我们构建更有效的投资组合；如何通过K线图、成交量图结合策略信号图，来直观地判断策略的有效性；甚至是如何利用3D图表来展示多维度的数据关系。更重要的是，作者强调了可视化在回测和实盘监控中的作用，他指导我们如何构建实时的仪表盘，将关键的交易指标和市场数据以清晰易懂的方式呈现出来，这对于及时发现问题、做出决策至关重要。
评分这本书的实操性是我最看重的一点，尤其是在讲解策略回测的部分。作者并没有停留在理论层面，而是带领我们一步一步地构建一个简易的回测框架。他从最基础的信号生成开始，到订单执行的模拟，再到风险指标的计算，每一个环节都讲解得非常透彻。我印象最深刻的是，作者在讲解止损和止盈策略时，并没有简单地给出代码，而是深入分析了不同止损方式的优劣，以及它们对策略整体表现的影响。他通过几个经典的例子，比如移动止损、百分比止损等，让我们理解了在不同的市场环境下，选择合适的止损策略的重要性。更让我惊喜的是，作者还引入了滑点和交易成本的模拟，这在很多初级的量化交易书籍中是会被忽略的。他解释了滑点是如何产生的，以及它对策略收益的潜在侵蚀，并提供了在回测中模拟滑点的方法。这让我意识到，一个真正有效的量化交易策略，必须将这些实际交易中的“噪音”考虑进去。书中的图表和代码示例都非常清晰，使得我能够轻松地跟着作者的思路进行操作。每次完成一个回测章节，我都能构建出一个更完善、更接近真实交易场景的回测系统，这种成就感是无法用言语来形容的。
评分在关于实际交易部署和监控的部分，这本书所提供的指导是我在其他同类书籍中很少见到的。作者并没有止步于策略的开发和回测，而是带领读者思考如何将这些策略真正地应用到实盘交易中，并进行有效的监控。他详细地介绍了部署量化交易系统的各种技术选项，从简单的脚本运行到更复杂的服务器部署，并分析了不同选项的优缺点。我印象深刻的是，作者在讲解如何建立一个健壮的监控体系时，提出了多维度的监控指标，包括但不限于程序运行状态、网络连接、数据源可靠性、策略盈亏表现、风险敞口等。他提供了详细的代码示例，演示了如何利用Python的各种库来构建自动化的监控和报警系统。这种对“落地”的重视，让我觉得这本书的价值远超理论的探讨。作者还提到了“容灾备份”和“故障转移”的重要性，并给出了一些实用的建议，以确保在出现意外情况时，交易系统能够尽可能地平稳运行，最大限度地减少损失。这种前瞻性的思维，让我意识到，成功的量化交易不仅仅是算法的优劣，更是整个系统的稳定性和可靠性。
评分让我印象最深刻的是，这本书在讲解Python在金融领域的应用时，并没有仅仅局限于交易策略本身，而是触及了金融数据获取的方方面面。作者详细介绍了如何利用各种API接口，如股票交易所的官方API、第三方金融数据服务商提供的API，以及网络爬虫技术，来高效、准确地获取海量的金融市场数据。我记得有一个章节花了大量篇幅讲解如何使用`requests`库和`BeautifulSoup`库来抓取公开的财经新闻和公告，并分析其对市场情绪的影响。他还介绍了如何利用PandasDataReader等库来直接读取 Yahoo Finance、Google Finance 等网站的股票历史数据，这极大地简化了数据预处理的流程。更让我惊喜的是，作者还提及了如何利用数据库来存储和管理海量的金融数据，比如SQLite、MySQL等，并提供了在Python中操作这些数据库的示例代码。这种对数据源头的重视，让我深刻理解到，再精妙的量化策略，也离不开高质量、多样化的数据作为支撑。这本书让我认识到，数据获取和处理能力，同样是量化交易者不可或缺的核心竞争力，也为我后续深入研究更复杂的金融建模打下了坚实的基础。
评分在探讨量化交易模型构建这一块，本书的阐述方式也极具匠心。作者并没有直接抛出各种复杂的机器学习算法，而是从理解金融数据的特性入手，为我们打下了坚实的基础。他详细地分析了金融时间序列数据的自相关性、异方差性以及非平稳性等特点，并解释了为什么直接套用通用模型可能会失效。然后，他循序渐进地引入了多种经典和现代的建模技术，从基础的线性回归、ARIMA模型，到更复杂的机器学习算法，如随机森林、支持向量机等。我特别欣赏的是，作者在介绍每一种模型时，都深入浅出地解释了其背后的数学原理，但同时又非常注重其在量化交易中的实际应用。他会详细地讲解如何将这些模型应用于预测股价、识别交易信号，以及如何进行模型评估和调优。我印象深刻的是，他在讲解如何处理过拟合问题时，花了相当多的篇幅介绍交叉验证、正则化等技术，并用具体的代码示例演示了如何应用这些技术来提高模型的泛化能力。这种理论与实践相结合的讲解方式，让我深刻理解了量化交易模型不仅仅是数学公式的堆砌，更需要对金融市场有深刻的理解和对数据有敏锐的洞察力。
评分不好。代码跑不起来 概念也解释不清好么？ 很多策略只是模型提到。连公式都不加上。唯一的作用只是看看代码逻辑。列上公式的只写怎么用........
评分垃圾至极全是错误，
评分垃圾至极全是错误，
评分垃圾至极全是错误，
评分不好。代码跑不起来 概念也解释不清好么？ 很多策略只是模型提到。连公式都不加上。唯一的作用只是看看代码逻辑。列上公式的只写怎么用........
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有