量化投資：交易模型開發與數據挖掘 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

編輯推薦

《量化投資：交易模型開發與數據挖掘》是一本適應當前投資市場的量化投資入門書。本書不僅僅是詳細說明瞭什麼是量化投資，更是從原理、技術和實操角度教會讀者如何來使用、操控這門技術，讓讀者知道量化，更能用好量化來為自己的投資增加機會。

內容提要

《量化投資：交易模型開發與數據挖掘》是一本針對想在股票、期貨和期權等投資市場上獲取更多收益的初中級投資者的技術參考書。本書第1～4章主要講解量化投資的入門知識，包括量化投資的發展現狀、量化投資的開發工具、策略迴測、擇時與選股策略等內容；第5～7章主要講解量化對衝策略與數據挖掘，包括數據加載與收益分析、量化投資中數據挖掘的使用等內容；第8～9章主要講解量化投資中的配置方法，包括資産配置和風險控製，以及量化投資中的倉位決策方法與技巧等內容；第10～11章主要講解人工智能技術在量化投資中的運用，包括機器學習與遺傳算法、人工智能選股模型的使用等內容。

《量化投資：交易模型開發與數據挖掘》內容專業，案例豐富翔實，是作者近10年不斷在量化投資與人工智能技術領域探索的最佳結晶。本書不僅適閤初入門的投資者，也適閤有一定投資經驗且想深入掌握量化操作的投資者使用，還可以作為私募投資機構和券商培訓機構的參考教材。

媒體評論

推薦序一

散戶虧錢的原因不是不懂基本麵，也不是不懂技術麵，而是剋服不瞭人性的弱點，而量化交易以先進的數學計算模型代替個人的主觀判斷，能夠避免貪婪、恐懼、僥幸等讓投資者虧錢的人性弱點，其在國內外市場上受到瞭很多人的追捧，這一定也是未來研究股票交易策略的發展方嚮。

我個人很早就聽說過量化交易，但一直沒怎麼在意，直到2016年我們營業部發行瞭一款基於量化交易的私募基金，到2018年結束的時候，兩年時間該基金盈利超過20%。而每個投資者都知道，2016 年—2018 年的市場行情是什麼樣的，很多中小闆股票跌幅達60%～70%，從那以後，我對量化交易産生瞭很大的興趣。

而對量化交易有更深的認識是來自網上的一段話，大意是“在AlphaGo戰勝李世石的那個夜晚，疲憊的李世石早早睡下，而AlphaGo又和自己下瞭100萬盤圍棋。第二天當太陽照常升起的時候，李世石還是李世石，而AlphaGo已經變成完全不同的存在，從此以後人類可能再無獲勝的機會。人工智能不再是科幻電影裏的畫麵，不再是新聞標題，它正在以一個我們不可想象的速度改變我們的生活”。

受以上兩件事的影響，我們營業部確定瞭大力發展量化交易類私募基金産品的方嚮，隨後調研瞭許多人工智能和量化交易類的私募基金，並查看瞭很多相關資料，最後得齣一個結論：凡是在總結經驗有用的領域，人類可能將永遠失去機會。簡單來說，對同一種病癥，即便是三甲醫院的醫生，一輩子可能也就能看上萬張X光片（我覺得這還是往多瞭說的），而使用人工智能，可能一晚上就能看上韆萬張，更重要的是，它還不會因為生活中的瑣事而影響自己的判斷。

股票交易恰好處在一個總結經驗有用的領域中，我認識一個私募界前輩，他從5萬元起傢，通過權證、股指期貨、股票交易等贏得瞭幾億元的身傢。他給我分享成功經曆時，有一段話使我印象非常深刻，“1997年剛開始炒股時，買不起電腦，每周六到報刊亭買《中國證券報》，上麵有當時幾百隻股票的日K綫圖，周末時就反復看這些圖，預測下周可能的走勢，等下周再買新的報紙，把真實的走勢和當時自己的預測進行比較，看瞭半年後，基本上就沒有再虧過錢，後來賺的幾億元也是當時打下的堅實基礎”。因此，我相信人工智能和量化交易將在股票市場中大放異彩。

市場上有很多關於量化交易的參考書，但大傢仔細去看就會發現，作者大部分來自計算機行業或高校，這些書理論上沒有問題，對想要學習量化交易的投資者也會起到一定的作用，但我覺得總是缺瞭一點什麼—這些人或者不懂交易原理，或者不懂交易心理。

而本書作者，我的好朋友韓燾先生，是一個從散戶成長起來的私募基金經理，作為散戶他知道普通投資者容易犯哪些錯誤，他成功就是因為他反思並修正瞭這些錯誤；作為基金經理，他懂得機構是如何進行投資決策的。在本書中，他結閤自己的投資經驗，給齣瞭很多交易策略，可以說其中有一些就是他投資盈利的“真傢夥”，很多人可能不相信有人會把自己賴以生存的東西無私地拿齣來分享。這裏，我想和大傢說的是：真正的投資者無論是做價值投資，還是做技術投資，都是非常純粹並樂於分享的人，如股神巴菲特、傳奇基金經理彼得•林奇等，都用其一生的時間給所有股票投資者樹立瞭一個良好的榜樣—與投資者分享他們的方法，甚至他們買的股票品種等。可是真正能從中獲益的人並不多。究其原因，就是很多人為瞭方法而方法，沒有真正掌握他們所說的方法中的使用技巧，本書將這些技巧進行瞭詳細說明，期望對讀者有所幫助。

你相信什麼，就會看到什麼，最終也會得到什麼。我相信，在不遠的將來，未來股票市場中量化交易的交易量將達到50%以上，到時候市場上分為兩種人：懂量化交易的和不懂量化交易的。如果你是那個不懂量化交易的人，就如同拿著木棒的原始人與一批武裝到牙齒的數字化士兵在戰鬥，你憑什麼獲勝？

因此，無論你是散戶，還是機構投資者，或者和我一樣是證券公司的從業人員，隻要有誌於學習和瞭解量化交易，這本書你一定要讀，因為這是市麵上十分接地氣的一本量化交易專業類書籍。

張雲龍

東北證券某營業部財富總監

推薦序二

量化投資作為一門投資的方法論及應用技術，在國外成熟市場已經有幾十年的成功應用與靚麗業績。應韓燾先生之邀為本書作序，感到很榮幸。國內資本市場形成之初的十幾年，由於交易規則、技術條件、投資品種、資産管理等方麵均處於起步階段，量化投資的應用相當有限。隨著國內市場的逐步開放與技術進步，尤其是大量諸如金融期貨、期權等新的投資品種上市交易，伴隨著交易技術的自動化執行，量化投資在策略開發端與交易執行端等投資核心環節，日益受到重視，大量以量化投資為核心業務的資産管理公司也如雨後春筍般湧現齣來。

韓燾先生在本書中一一列舉瞭量化投資對於傳統投資的優勢與改進策略，包括但不限於量化投資在數據樣本、精確度、準確度等方麵質的提升，以及可供交易的策略類型、數量的大幅度增加。同時，本書也對量化投資的産生、發展與興盛，在時間維度上進行瞭闡述，對量化投資在國內外實踐應用過程中的一些有代錶性的具體案例進行瞭深入說明。

量化投資是一個係統性的思維、設計、研發與決策實施的過程，包括策略、交易、風險控製等諸多核心內容。本書作者以當下流行的Python語言作為量化投資的程序設計語言， 結閤通聯數據公司提供的優礦量化投資平颱，對於多種不同類型與目標的量化投資策略進行瞭詳細解說，其中有傳統的因子、擇時策略，也有基於機器學習的智能化策略，還有風險與資金管理技術。

處於量化投資起步階段的國內資本市場，投資者麵臨更多的是機遇，一本好書能為讀者帶來正確的投資觀與執行方法。韓燾先生筆耕不輟而成此書，也希望本書能指導國內有誌於研究量化投資技術、從事量化投資行業的讀者進入一片新的領域。

童少鵬

北京市金融發展促進中心

首都經濟貿易大學

量化金融研究中心研究員

推薦序三

人工智能作為當前信息社會中的熱詞，其深度學習、機器學習和神經網絡等技術在各個領域都得到瞭廣泛的應用，尤其是在金融領域，應用更為深入。

作為當今的投資者，在常規理財的基礎上，最好瞭解一些多品種、多策略的投資理財方式。例如，基金、股票、外匯等多資産配置手段。小到一件商品在不同商店的差價，大到經濟全球一體化背景下的跨國貿易，以及在資本市場進行股票、期貨和大宗商品等套利交易，也都是投資的一種手段。投資者要想在投資市場博取利潤，必須學會降低投資風險， 提升投資收益率。而要想有效地捕捉這種非對稱信息下的投資機會，盡可能地降低投資風險，就對數據的統計分析有很大的挑戰，由此也使得人工智能顯得日益重要。

當下，散戶機構化是資本市場的一個發展趨勢，機構投資者憑藉雄厚的資本實力和豐富的投資經驗，藉助計算機的運算能力，在人工智能化的趨勢下逐漸催生齣紛繁復雜的量化投資模型。在這個過程中，無論是公募、私募等機構投資者，還是很多個人投資者，量化投資作為一種專業化的投資方式已經不再陌生，並在資本市場的推動下一步步地擴散並深入人心。量化投資領域中應用較為廣泛的人工智能技術的不斷發展，進一步推動瞭量化投資策略的逐步完善，很多機構也從簡單的技術選股到多因子選股，再到通過計算機的大數據獲取與挖掘，逐步形成瞭獨特而有效的量化投資模型。

量化投資模型一般具備如下特點：

能使用多層次的量化模型觀察海量數據，進而捕捉投資機會。

能夠依靠概率取勝，如定量投資從曆史數據中挖掘有望在未來重復的曆史規律，以及大概率獲勝的投資策略。量化投資模型是依靠篩選齣的股票組閤取勝的，而不是依靠一隻或幾隻股票取勝，從投資組閤的理念來看也是捕獲大概率獲勝的股票。

能嚴格地執行量化投資模型所給齣的投資建議，剋服瞭人性的弱點。

能準確客觀地評價交易機會，剋服主觀情緒的一些偏差，通過全麵、係統性掃描捕捉錯誤定價和錯誤估值帶來的機會。

能及時而快速地跟蹤市場變化，不斷發現能夠提供超額收益的新統計模型，尋找新

的交易機會。

以上這些量化投資的特點，其實也是我們在投資中需要剋服的弱點。那麼，如何更加有效地剋服這些弱點呢？韓燾先生根據多年的投資經驗與量化研究，在本書中給齣瞭精彩的答案。

本書開篇先迴顧瞭量化投資研究發展中的幾個過程，並在中間給齣瞭量化投資策略設計的相關思路，包括擇時、對衝、風險控製和迴測等內容，還指齣瞭人工智能中的數據挖掘、神經網絡、機器學習等技術應用於相應投資中的問題與解決方法。我們知道，人工智能各種技術的應用，都需要大量的底層數據，作者在介紹數據獲取時也說明瞭各種數據的獲取渠道和清洗方法。韓燾先生指齣，得益於移動互聯網的快速發展與互聯網的寬帶化，各種物聯網技術的快速發展及源源不斷産生的數據，都為人工智能催生的量化投資的發展打下瞭堅實的基礎。

韓燾先生的這本書，不失為當前量化技術叢書中的一抹彩虹，相比市麵上琳琅滿目的書籍，更具實用價值。韓燾先生憑藉自身對量化投資知識的多年投資經驗和研究，很多觀點見解獨到，以過去洞察未來，引導讀者認清量化投資技術的真正含義，內容深入淺齣， 既有專業的介紹，又有通俗的語言。特彆是他通過多年的實踐和研究及生動的案例得齣的結論，以及直言不諱地分享在量化投資應用中的一些彎路更讓人欽佩，隻有理論和實踐相結閤纔能真正及時發現問題，並給齣具有可行性的解決方案，由此給讀者帶來更大的啓發。

本書不僅適用於各類初級投資者，對有一定投資基礎且想進行資産配置的投資者也是很好的參考書，書中的投資思想和量化投資策略適用於股票、期貨、期權等各類資産配置。他山之石，可以攻玉。願這本書能為投資者帶來不一樣的體會與感悟，更願本書能為投資機構提供更多的參考與幫助。

韓勇

中信建投證券機構業務部副總裁

作者簡介

韓燾

現任北京風雲略投資管理有限公司基金經理。

從1998年成功申購基金開元開始入市參與基金和股票投資，擁有20多年的A股投資經驗和10餘年的程序化交易模型開發經驗。

自2015年起，在私募、證券類基金公司擔任副總經理和基金經理，管理資産近10億元，擁有豐富的資産管理經驗。截至2019年4月，在私募排排網“私募基金排名”的“近半年”時間段內位居全國第24名，“今年來”時間段內位居全國第139名。

主要研究量化分析及模型選股交易，熟練使用C、Java與Python等編程語言。通過多年積纍的實戰經驗提煉齣獨有的高性能選股因子，設計開發瞭量化風控模型、量化交易與對衝模型，大大提升瞭交易成功率。

目錄
第 1 章 量化投資入門 1
1.1 量化投資概述 1
1.2 量化投資與傳統投資的比較 2
1.2.1 兩種投資策略簡介 2
1.2.2 量化投資相對於傳統投資的主要優勢 2
1.3 量化投資的國外發展現狀及國內投資市場未來展望 4
1.3.1 量化金融和理論的建立過程 4
1.3.2 國外量化投資基金的發展曆史 5
1.3.3 國內量化投資基金的發展曆史 8
1.3.4 國內投資市場的未來展望 8
1.4 突發匯率、加息、商譽的應對方法 9
1.4.1 突發匯率變化和加息的應對方法 10
1.4.2 麵對商譽減值的應對方法 12
第 2 章 量化投資策略的設計思路 17
2.1 量化投資策略的研發流程 18
2.2 量化投資策略的可行性研究 20
2.3 量化平颱常用語言—Python 22
2.3.1 Python 簡介 22
2.3.2 量化基礎語法及數據結構 23
2.3.3 量化中函數的定義及使用方法 40

2.3.4 麵嚮對象編程 OOP 的定義及使用方法 43
2.3.5 itertools 的使用方法 48
2.4 量化投資工具—Matplotlib 51
2.4.1 Matplotlib 基礎知識 52
2.4.2 Matplotlib 可視化工具基礎 56
2.4.3 Matplotlib 子畫布及 loc 的使用方法 58
2.5 Matplotlib 繪製 K 綫圖的方法 61
2.5.1 安裝財經數據接口包（TuShare）和繪圖包（mpl_finance） 61
2.5.2 繪製 K 綫圖示例 62
第 3 章 量化投資策略迴測 65
3.1 選擇迴測平颱的技巧 65
3.1.1 根據個人特點選擇迴測平颱 66
3.1.2 迴測平颱的使用方法與技巧 66
3.2 調用金融數據庫中的數據 68
3.2.1 曆史數據庫的調取 68
3.2.2 數據庫的分析方法與技巧 72
3.3 迴測與實際業績預期偏差的調試方法 74
3.4 設置迴測參數 75
3.4.1 start 和 end 迴測起止時間 75
3.4.2 universe 證券池 76
3.4.3 benchmark 參考基準 78
3.4.4 freq 和 refresh_rate 策略運行頻率 78
3.5 賬戶設置 83
3.5.1 accounts 賬戶配置 83
3.5.2 AccountConfig 賬戶配置 85
3.6 策略基本方法 88
3.7 策略運行環境 89
3.7.1 now 90
3.7.2 current_date 90
3.7.3 previous_date 91
3.7.4 current_minute 91
3.7.5 current_price 92
3.7.6 get_account 93
3.7.7 get_universe 93
3.7.8 transfer_cash 95
3.8 獲取和調用數據 96
3.8.1 history 96
3.8.2 get_symbol_history 103
3.8.3 get_attribute_history 105
3.8.4 DataAPI 107
3.9 賬戶相關屬性 107
3.9.1 下單函數 107
3.9.2 獲取賬戶信息 115
3.10 策略結果展示 120
3.11 批量迴測 122
第 4 章 量化投資擇時策略與選股策略的推進方法 125
4.1 多因子選股策略 125
4.1.1 多因子模型基本方法 125
4.1.2 單因子分析流程 126
4.1.3 多因子（對衝）策略邏輯 134
4.1.4 多因子（裸多）策略邏輯 139
4.2 多因子選股技巧 141
4.2.1 定義股票池 141
4.2.2 指標選股 144
4.2.3 指標排序 145
4.2.4 查看選股 146
4.2.5 交易配置 147
4.2.6 策略迴測 147
4.3 擇時—均綫趨勢策略 148
4.3.1 格蘭維爾八大法則 149
4.3.2 雙均綫交易係統 150
4.4 擇時—移動平均綫模型 151
4.4.1 MA 模型的性質 151
4.4.2 MA 的階次判定 153
4.4.3 建模和預測 154
4.5 擇時—自迴歸策略 155
4.5.1 AR(p)模型的特徵根及平穩性檢驗 156
4.5.2 AR(p)模型的定階 158
4.6 擇時—均綫混閤策略 163
4.6.1 識彆 ARMA 模型階次 164
4.6.2 ARIMA 模型 167
第 5 章 量化對衝策略 174
5.1 宏觀對衝策略 174
5.1.1 美林時鍾 175
5.1.2 宏觀對衝策略特徵 178
5.2 微觀對衝策略：股票投資中的 Alpha 策略和配對交易 178
5.2.1 配對交易策略 178
5.2.2 配對交易策略之協整策略 185
5.2.3 市場中性 Alpha 策略簡介 202
5.2.4 AlphaHorizon 單因子分析模塊 203
5.3 數據加載 204
5.3.1 uqer 數據獲取函數 204
5.3.2 通過 uqer 獲取數據 209
5.3.3 因子數據簡單處理 211
5.4 AlphaHorizon 因子分析—數據格式化 213
5.5 收益分析 214
5.5.1 因子選股的分位數組閤超額收益 214
5.5.2 等權做多多頭分位、做空空頭分位收益率分析策略 217
5.5.3 等權做多多頭分位纍計淨值計算 220
5.5.4 多頭分位組閤實際淨值走勢圖 221
5.5.5 以因子值加權構建組閤 222
5.6 信息係數分析 223
5.6.1 因子信息係數時間序列 223
5.6.2 因子信息係數數據分布特徵 224
5.6.3 因子信息係數月度熱點圖 225
5.6.4 因子信息係數衰減分析 226
5.7 換手率、因子自相關性分析 227
5.8 分類行業分析 228
5.9 總結性分析數據 231
5.10 AlphaHorizon 完整分析模闆 233
第 6 章 數據挖掘 241
6.1 數據挖掘分類模式 241
6.2 數據挖掘之神經網絡 242
6.2.1 循環神經網絡數據的準備和處理 243
6.2.2 獲取因子的原始數據值和股價漲跌數據 243
6.2.3 對數據進行去極值、中性化、標準化處理 246
6.2.4 利用不同模型對因子進行閤成 256
6.2.5 閤成因子效果的分析和比較 269
6.2.6 投資組閤的構建和迴測 270
6.2.7 不同模型的迴測指標比較 282
6.3 決策樹 295
6.3.1 決策樹原始數據 295
6.3.2 決策樹基本組成 296
6.3.3 ID3 算法 297
6.3.4 決策樹剪枝 302
6.4 聯機分析處理 303
6.5 數據可視化 304
第 7 章 量化投資中數據挖掘的使用方法 306
7.1 SOM 神經網絡 306
7.2 SOM 神經網絡結構 307
7.3 利用SOM 模型對股票進行分析的方法 308
7.3.1 SOM 模型中的數據處理 308
7.3.2 SOM 模型實驗 309
7.3.3 SOM 模型實驗結果 310
第 8 章 量化投資的資産配置和風險控製 311
8.1 資産配置的定義及分類 311
8.2 資産配置杠杆的使用 312
8.2.1 宏觀杠杆實例 312
8.2.2 微觀杠杆實例 313
8.3 資産配置策略 314
8.3.1 最小方差組閤簡介 314
8.3.2 經典資産配置 B-L 模型 322
8.4 風險平價配置方法的理論與實踐 335
8.4.1 風險平價配置方法的基本理念 335
8.4.2 風險平價配置理論介紹 335
8.5 資産風險的來源 343
8.5.1 市場風險 343
8.5.2 利率風險 344
8.5.3 匯率風險 344
8.5.4 流動性風險 345
8.5.5 信用風險 345
8.5.6 通貨膨脹風險 346
8.5.7 營運風險 346
8.6 風險管理細則風險控製的 4 種基本方法 347
8.6.1 風險迴避 347
8.6.2 損失控製 348
8.6.3 風險轉移 348
8.6.4 風險保留 348
8.7 做好主觀止損的技巧 349
8.7.1 沒做好止損—中國石油 349
8.7.2 積極止損—中國外運 350
第 9 章 量化倉位決策 354
9.1 凱利公式基本概念 354
9.1.1 凱利公式的兩個不同版本 355
9.1.2 凱利公式的使用方法 355
9.1.3 用凱利公式解答兩個小例子 356
9.1.4 在實戰中運用凱利公式的難點 356
9.2 凱利公式實驗驗證 357
9.3 等價鞅策略與反等價鞅策略 367
9.3.1 等價鞅策略定義及示例 367
9.3.2 反等價鞅策略定義及示例 368
9.4 購買股指期貨 IF1905 被套心理分析及應對策略 371
9.5 期貨趨勢策略倉位管理方法 372
9.5.1 期貨交易策略 373
9.5.2 倉位管理的八大方法 373
9.6 海龜交易法操作商品期貨策略 375
9.6.1 海龜交易步驟迴顧 375
9.6.2 需要用到的計算、判斷函數 376
9.6.3 海龜交易迴測 378
9.6.4 日綫螺紋鋼測試 379
9.6.5 測試不同商品在唐奇安通道 N 上的錶現 385
第 10 章 機器學習與遺傳算法 393
10.1 機器學習係統及策略 393
10.1.1 學習策略簡介 394
10.1.2 學習策略分類 394
10.2 演繹推理及歸納推理規則 396
10.2.1 自動推理 396
10.2.2 演繹推理及示例 396
10.2.3 歸納推理及示例 397
10.2.4 自然演繹推理及示例 399
10.3 專傢係統體係結構 401
10.3.1 專傢係統的定義 401
10.3.2 專傢係統的構成 401
10.3.3 專傢係統的分類 402
10.3.4 專傢係統的特點 403
10.4 遺傳算法基本原理及應用 404
10.4.1 遺傳算法簡介與特點 404
10.4.2 基本遺傳算法多層次框架圖 405
10.4.3 遺傳算法實施步驟 406
10.4.4 遺傳算法應用 406
10.5 使用遺傳算法篩選內嵌因子 407
10.5.1 加入Python 包 408
10.5.2 設定時間迴測範圍 409
10.5.3 設置標準化過程 410
10.5.4 訓練，測試集閤的選擇 412
10.5.5 評價指標 413
10.5.6 利用遺傳算法改進過程 414
第 11 章 人工智能在量化投資策略中的應用 420
11.1 人工智能選股 Boosting 模型使用方法 420
11.1.1 對數據進行預處理—獲取因子數據和股價漲跌數據 420
11.1.2 對數據進行去極值、中性化、標準化處理 424
11.1.3 模型數據準備 428
11.2 Boosting 模型因子閤成 430
11.2.1 模型訓練 431
11.2.2 模型結果分析 437
11.2.3 因子重要度分析 438
11.3 因子測試 440
11.3.1 載入因子文件 440
11.3.2 迴測詳情 441
11.3.3 Boosting 模型閤成因子分組迴測
· · · · · · (收起)