Python與量化投資：從基礎(chǔ)到實(shí)戰(zhàn)

定　價(jià)：￥99.00

作　者：	王小川著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	編程語(yǔ)言與程序設(shè)計(jì) 計(jì)算機(jī)?網(wǎng)絡(luò)

購(gòu)買這本書可以去

ISBN：	9787121338571	出版時(shí)間：	2018-03-01	包裝：	平裝
開本：	16開	頁(yè)數(shù)：	424	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書主要講解如何利用Python進(jìn)行量化投資，包括對(duì)數(shù)據(jù)的獲取、整理、分析挖掘、信號(hào)構(gòu)建、策略構(gòu)建、回測(cè)、策略分析等。本書也是利用Python進(jìn)行數(shù)據(jù)分析的指南，有大量的關(guān)于數(shù)據(jù)處理分析的應(yīng)用，并將重點(diǎn)介紹如何高效地利用Python解決投資策略問(wèn)題。本書分為Python基礎(chǔ)和量化投資兩大部分：Python基礎(chǔ)部分主要講解Python軟件的基礎(chǔ)、各個(gè)重要模塊及如何解決常見的數(shù)據(jù)分析問(wèn)題；量化投資部分在Python基礎(chǔ)部分的基礎(chǔ)上，講解如何使用優(yōu)礦（uqer.io）回測(cè)平臺(tái)實(shí)現(xiàn)主流策略及高級(jí)定制策略等。本書可作為專業(yè)金融從業(yè)者進(jìn)行量化投資的工具書，也可作為金融領(lǐng)域的入門參考書。在本書中有大量的Python代碼、Python量化策略的實(shí)現(xiàn)代碼等，尤其是對(duì)于量化策略的實(shí)現(xiàn)代碼，讀者可直接自行修改并獲得策略的歷史回測(cè)結(jié)果，甚至可將代碼直接實(shí)盤應(yīng)用，進(jìn)行投資。

作者簡(jiǎn)介

　　王小川，華創(chuàng)證券研究所金融工程高級(jí)分析師，國(guó)內(nèi)知名MATLAB、Python培訓(xùn)專家，MATLABSKY創(chuàng)始人之一，人大經(jīng)濟(jì)論壇CDA課程Python金牌講師。從事量化投資相關(guān)的工作，承擔(dān)了部分高校的統(tǒng)計(jì)課程教學(xué)任務(wù)，長(zhǎng)期研究機(jī)器學(xué)習(xí)在統(tǒng)計(jì)學(xué)中的應(yīng)用，精通MATLAB、Python、SAS等統(tǒng)計(jì)軟件，熱衷于數(shù)據(jù)分析和數(shù)據(jù)挖掘工作，有著扎實(shí)的理論基礎(chǔ)和豐富的實(shí)戰(zhàn)經(jīng)驗(yàn)。著有《MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析》和《MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析》。陳杰，華創(chuàng)證券研究所金融工程團(tuán)隊(duì)負(fù)責(zé)人，擁有CFA、FRM資格。從2009年開始從事量化開發(fā)工作。在入職華創(chuàng)之前，曾擔(dān)任申萬(wàn)宏源研究所金融工程首席分析師。盧威，華創(chuàng)證券研究所金融工程分析師，前優(yōu)礦網(wǎng)量化分析師，為優(yōu)礦網(wǎng)資深用戶，在優(yōu)礦網(wǎng)分享過(guò)多篇高質(zhì)量的量化研究報(bào)告，擅長(zhǎng)使用Python進(jìn)行量化投資研究。劉昺軼，上海交通大學(xué)工學(xué)碩士，研究方向?yàn)閿嗔蚜W(xué)、流體力學(xué)，擅長(zhǎng)Python編程、統(tǒng)計(jì)建模與Web開發(fā)，現(xiàn)為量化投資界新兵，正在快速成長(zhǎng)。秦玄晉，上海對(duì)外經(jīng)貿(mào)大學(xué)會(huì)計(jì)學(xué)碩士，有兩年量化投資經(jīng)驗(yàn)，研究方向?yàn)楣窘鹑凇?蘇博，上海財(cái)經(jīng)大學(xué)金融信息工程碩士，主要研究方向?yàn)榻鹑诖髷?shù)據(jù)分析。徐晟剛，復(fù)旦大學(xué)西方經(jīng)濟(jì)學(xué)碩士，數(shù)理功底深厚，熱愛編程與策略研究，精通Python、MATLAB等編程語(yǔ)言，有3年金融工程策略研究經(jīng)驗(yàn)，擅長(zhǎng)擇時(shí)和事件類策略。

圖書目錄

第1章準(zhǔn)備工作 1
1.1 Python的安裝與設(shè)置 1
1.2 常見的Python庫(kù) 2

第2章 Python基礎(chǔ)介紹 7
2.1 Python學(xué)習(xí)準(zhǔn)備 7
2.2 Python語(yǔ)法基礎(chǔ) 11
2.2.1 常量與變量 11
2.2.2 數(shù)與字符串 11
2.2.3 數(shù)據(jù)類 15
2.2.4 標(biāo)識(shí)符 18
2.2.5 對(duì)象 19
2.2.6 行與縮進(jìn) 20
2.2.7 注釋 22
2.3 Python運(yùn)算符與表達(dá)式 22
2.3.1 算數(shù)運(yùn)算符 22
2.3.2 比較運(yùn)算符 24
2.3.3 邏輯運(yùn)算符 25
2.3.4 Python中的優(yōu)先級(jí) 27
2.4 Python中的控制流 27
2.4.1 控制流的功能 28
2.4.2 Python的三種控制流 29
2.4.3 認(rèn)識(shí)分支結(jié)構(gòu)if 30
2.4.4 認(rèn)識(shí)循環(huán)結(jié)構(gòu)for…in 32
2.4.5 認(rèn)識(shí)循環(huán)結(jié)構(gòu)while 33
2.4.6 break語(yǔ)句與continue語(yǔ)句 35
2.5 Python函數(shù) 39
2.5.1 認(rèn)識(shí)函數(shù) 39
2.5.2 形參與實(shí)參 40
2.5.3 全局變量與局部變量 44
2.5.4 對(duì)函數(shù)的調(diào)用與返回值 45
2.5.5 文檔字符串 46
2.6 Python模塊 47
2.6.1 認(rèn)識(shí)Python模塊 47
2.6.2 from…import詳解 49
2.6.3 認(rèn)識(shí)__name__屬性 50
2.6.4 自定義模塊 50
2.6.5 dir()函數(shù) 51
2.7 Python異常處理與文件操作 52
2.7.1 Python異常處理 52
2.7.2 異常的發(fā)生 55
2.7.3 try…finally的使用 56
2.7.4 文件操作 57

第3章 Python進(jìn)階 59
3.1 NumPy的使用 59
3.1.1 多維數(shù)組ndarray 59
3.1.2 ndarray的數(shù)據(jù)類型 60
3.1.3 數(shù)組索引、切片和賦值 61
3.1.4 基本的數(shù)組運(yùn)算 62
3.1.5 隨機(jī)數(shù) 63
3.2 Pandas的使用 67
3.2.1 Pandas的數(shù)據(jù)結(jié)構(gòu) 68
3.2.2 Pandas輸出設(shè)置 70
3.2.3 Pandas數(shù)據(jù)讀取與寫入 70
3.2.4 數(shù)據(jù)集快速描述性統(tǒng)計(jì)分析 71
3.2.5 根據(jù)已有的列建立新列 72
3.2.6 DataFrame按多列排序 73
3.2.7 DataFrame去重 73
3.2.8 刪除已有的列 74
3.2.9 Pandas替換數(shù)據(jù) 75
3.2.10 DataFrame重命名 75
3.2.11 DataFrame切片與篩選 76
3.2.12 連續(xù)型變量分組 78
3.2.13 Pandas分組技術(shù) 79
3.3 SciPy的初步使用 83
3.3.1 回歸分析 84
3.3.2 插值 87
3.3.3 正態(tài)性檢驗(yàn) 89
3.3.4 凸優(yōu)化 93
3.4 Matplotlib的使用 97
3.5 Seaborn的使用 97
3.5.1 主題管理 98
3.5.2 調(diào)色板 101
3.5.3 分布圖 102
3.5.4 回歸圖 104
3.5.5 矩陣圖 106
3.5.6 結(jié)構(gòu)網(wǎng)格圖 108
3.6 Scikit-Learn的初步使用 109
3.6.1 Scikit-Learn學(xué)習(xí)準(zhǔn)備 110
3.6.2 常見的機(jī)器學(xué)習(xí)模型 111
3.6.3 模型評(píng)價(jià)方法——metric模塊 120
3.6.4 深度學(xué)習(xí) 124
3.7 SQLAlchemy與常用數(shù)據(jù)庫(kù)的連接 124
3.7.1 連接數(shù)據(jù)庫(kù) 125
3.7.2 讀取數(shù)據(jù) 126
3.7.3 存儲(chǔ)數(shù)據(jù) 126

第4章常用數(shù)據(jù)的獲取與整理 129
4.1 金融數(shù)據(jù)類型 129
4.2 金融數(shù)據(jù)的獲取 131
4.3 數(shù)據(jù)整理 135
4.3.1 數(shù)據(jù)整合 135
4.3.2 數(shù)據(jù)過(guò)濾 137
4.3.3 數(shù)據(jù)探索與數(shù)據(jù)清洗 138
4.3.4 數(shù)據(jù)轉(zhuǎn)化 140

第5章通聯(lián)數(shù)據(jù)回測(cè)平臺(tái)介紹 143
5.1 回測(cè)平臺(tái)函數(shù)與參數(shù)介紹 144
5.1.1 設(shè)置回測(cè)參數(shù) 144
5.1.2 accounts賬戶配置 154
5.1.3 initialize（策略初始化環(huán)境） 160
5.1.4 handle_data（策略運(yùn)行邏輯） 160
5.1.5 context（策略運(yùn)行環(huán)境） 160
5.2 股票模板實(shí)例 168
5.3 期貨模板實(shí)例 173
5.4 策略回測(cè)詳情 179
5.5 策略的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo) 181
5.6 策略交易細(xì)節(jié) 184

第6章常用的量化策略及其實(shí)現(xiàn) 187
6.1 量化投資概述 187
6.1.1 量化投資簡(jiǎn)介 187
6.1.2 量化投資策略的類型 188
6.1.3 量化研究的流程 189
6.2 行業(yè)輪動(dòng)理論及其投資策略 192
6.2.1 行業(yè)輪動(dòng)理論簡(jiǎn)介 192
6.2.2 行業(yè)輪動(dòng)的原因 192
6.2.3 行業(yè)輪動(dòng)投資策略 194
6.3 市場(chǎng)中性Alpha策略 199
6.3.1 市場(chǎng)中性Alpha策略介紹 199
6.3.2 市場(chǎng)中性Alpha策略的思想和方法 200
6.3.3 實(shí)例展示 201
6.4 大師策略 206
6.4.1 麥克·歐希金斯績(jī)優(yōu)成分股投資法 207
6.4.2 杰拉爾丁·維斯藍(lán)籌股投資法 211
6.5 CTA策略 219
6.5.1 趨勢(shì)跟隨策略 219
6.5.2 均值回復(fù)策略 241
6.5.3 CTA策略表現(xiàn)分析 253
6.6 Smart Beta 258
6.6.1 基于權(quán)重優(yōu)化的Smart Beta 258
6.6.2 基于風(fēng)險(xiǎn)因子的Smart Beta 268
6.7 技術(shù)指標(biāo)類策略 281
6.7.1 AROON指標(biāo) 281
6.7.2 BOLL指標(biāo) 285
6.7.3 CCI指標(biāo) 288
6.7.4 CMO指標(biāo) 293
6.7.5 Chaikin Oscillator指標(biāo) 295
6.7.6 DMI指標(biāo) 299
6.7.7 優(yōu)礦平臺(tái)因子匯總 302
6.8 資產(chǎn)配置 317
6.8.1 有效邊界 318
6.8.2 Black-Litterman模型 335
6.8.3 風(fēng)險(xiǎn)平價(jià)模型 349
6.9 時(shí)間序列分析 358
6.9.1 與時(shí)間序列分析相關(guān)的基礎(chǔ)知識(shí) 358
6.9.2 自回歸（AR）模型 365
6.9.3 滑動(dòng)平均（MA）模型 372
6.9.4 自回歸滑動(dòng)平均（ARMA）模型 376
6.9.5 自回歸差分滑動(dòng)平均（ARIMA）模型 379
6.10 組合優(yōu)化器的使用 384
6.10.1 優(yōu)化器的概念 384
6.10.2 優(yōu)化器的API接口 386
6.10.3 優(yōu)化器實(shí)例 388
6.11 期權(quán)策略：Greeks和隱含波動(dòng)率微笑計(jì)算 392
6.11.1 數(shù)據(jù)準(zhǔn)備 392
6.11.2 Greeks和隱含波動(dòng)率計(jì)算 394
6.11.3 隱含波動(dòng)率微笑 401

第7章量化投資十問(wèn)十答 405