量化投資：交易模型開發與數據挖掘

本書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、策略回測、擇時與選股策略等內容；第5～7章主要講解量化對沖策略與資料採擷，包括資料載入與收益分析、量化投資中資料採擷的使用等內容；第8～9章主要講解量化投資中的配置方法，包括資產配置和風險控制，以及量化投資中的倉位決策方法與技巧等內容；第10～11章主要講解人工智慧技術在量化投資中的運用，包括機器學習與遺傳演算法、人工智慧選股模型的使用等內容。

全書內容專業，案例豐富翔實，是作者近10年不斷在量化投資與人工智慧技術領域探索的最佳結晶。本書不僅適合初入門的投資者，也適合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。
 

第 1 章 量化投資入門 1
1.1 量化投資及定義 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 量化投資相對于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歷史 5
1.3.3 國內量化投資基金的發展歷史 8
1.3.4 國內投資市場未來展望 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 面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 量化平臺常用語言—Python 22
2.3.1 Python 簡介 22
2.3.2 量化基礎語法及資料結構 23
2.3.3 量化中函數的定義及使用方法 40
2.3.4 物件導向程式設計 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 視覺化工具基礎 56
2.4.3 Matplotlib 子畫布及 loc 的使用 58
2.5 Matplotlib 繪製 K 線圖的方法 61
2.5.1 安裝財經資料介面包（Tushare）和繪圖包（mpl_finance） 61
2.5.2 繪製 K 線圖示例 62

第 3 章 量化投資策略回測 65
3.1 選擇回測平臺的技巧 65
3.1.1 根據個人特點選擇回測平臺 66
3.1.2 回測平臺的使用方法與技巧 66
3.2 調用金融資料庫中的資料 68
3.2.1 歷史資料庫的調取 68
3.2.2 資料庫的分析方法與技巧 72
3.3 回測與實際業績預期偏差的調試方法 74
3.4 設置回測參數 75
3.4.1 start 和 end 回測起止時間 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 帳戶設置 83
3.5.1 accounts 帳戶配置 83
3.5.2 AccountConfig 帳戶配置 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 獲取和調用資料 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 帳戶相關屬性 107
3.9.1 下單函數 107
3.9.2 獲取帳戶資訊 115
3.10 策略結果展示 120
3.11 批量回測 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 多因數選股策略 125
4.1.1 多因數模型基本方法 125
4.1.2 單因數分析流程 126
4.1.3 多因數（對沖）策略邏輯 134
4.1.4 多因數（裸多）策略邏輯 139
4.2 多因數選股技巧 141
4.2.1 定義股票池 141
4.2.2 指標選股 143
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 策略回測 147
4.3 擇時—均線趨勢策略 148
4.3.1 格蘭維爾移動平均線八大法則 149
4.3.2 雙均線交易系統 150
4.4 擇時—移動平均線模型 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—自回歸策略 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—均線混合策略 163
4.6.1 識別 ARMA 模型階次 164
4.6.2 ARIMA 模型 167

第 5 章 量化對沖策略 174
5.1 宏觀對沖策略 174
5.1.1 美林時鐘 175
5.1.2 宏觀對沖策略特徵 178
5.2 微觀對沖策略：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 單因數分析模組 203
5.3 數據載入 204
5.3.1 uqer 資料獲取函數 204
5.3.2 通過 uqer 獲取資料 209
5.3.3 因數資料簡單處理 211
5.4 AlphaHorizon 因數分析—資料格式化 213
5.5 收益分析 214
5.5.1 因數選股的分位元數組合超額收益 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 等權做多多頭分位累計淨值計算 220
5.5.4 多頭分位元組合實際淨值走勢圖 221
5.5.5 以因數值加權構建組合 222
5.6 資訊係數分析 223
5.6.1 因數信息係數時間序列 223
5.6.2 因數資訊係數資料分佈特徵 224
5.6.3 因數資訊係數月度熱點圖 225
5.6.4 因數資訊係數衰減分析 226
5.7 換手率、因數自相關性分析 227
5.8 分類行業分析 228
5.9 總結性分析資料 231
5.10 AlphaHorizon 完整分析範本 233

第 6 章 資料採擷 241
6.1 資料採擷分類模式 241
6.2 資料採擷之神經網路 242
6.2.1 迴圈神經網路資料的準備和處理 243
6.2.2 獲取因數的原始資料值和股價漲跌資料 243
6.2.3 對資料進行去極值、中性化、標準化處理 246
6.2.4 利用不同模型對因數進行合成 256
6.2.5 合成因數效果的分析和比較 269
6.2.6 投資組合的構建和回測 270
6.2.7 不同模型的回測指標比較 282
6.3 決策樹 295
6.3.1 決策樹原始資料 295
6.3.2 決策樹基本組成 296
6.3.3 ID3 演算法 297
6.3.4 決策樹剪枝 302
6.4 連線分析處理 303
6.5 數據視覺化 304

第 7 章 量化投資中資料採擷的使用方法 306
7.1 SOM 神經網路 306
7.2 SOM 神經網路結構 307
7.3 利用SOM 模型對股票進行分析的方法 308
7.3.1 SOM 模型中的資料處理 308
7.3.2 SOM 模型實驗 309
7.3.3 SOM 模型實驗結果 310

第 8 章 量化投資的資金和風險控制 311
8.1 資產配置的定義及分類 311
8.2 資產配置杠杆的使用 312
8.2.1 宏觀杠杆實例 312
8.2.2 微觀杠杆實例 313
8.3 資產配置策略 314
8.3.1 最小方差組合簡介 314
8.3.2 經典資產配置 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 336
8.5 資產風險的來源 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制的 4 種基本方法 347
8.6.1 風險回避 347
8.6.2 損失控制 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
9.2.1 收益率為正態分佈時的凱利公式 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 海龜交易步驟回顧 375
9.6.2 需要用到的計算、判斷函數 376
9.6.3 海龜交易回測 378
9.6.4 日線螺紋鋼測試 379
9.6.5 測試不同商品在唐奇安通道 N 上的表現 385

第 10 章 機器學習與遺傳演算法 393
10.1 機器學習系統及策略 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 專家系統體系結構 401
10.3.1 專家系統的定義 401
10.3.2 專家系統的構成 401
10.3.3 專家系統的分類 402
10.3.4 專家系統的特點 403
10.4 遺傳演算法基本原理及應用 404
10.4.1 遺傳演算法簡介與特點 404
10.4.2 基本遺傳演算法多層次框架圖 405
10.4.3 遺傳演算法實施步驟 406
10.4.4 遺傳演算法應用 406
10.5 使用遺傳演算法篩選內嵌因數 407
10.5.1 首先加入 Python 包 407
10.5.2 設定時間回測範圍 409
10.5.3 設置標準化過程 410
10.5.4 訓練，測試集合的選擇 412
10.5.5 評價指標 413
10.5.6 利用遺傳演算法改進過程 414

第 11 章 人工智慧在量化投資策略中的應用 420
11.1 人工智慧選股 Boosting 模型使用方法 420
11.1.1 對資料進行預處理—獲取因數資料和股價漲跌資料 420
11.1.2 對資料進行去極值、中性化、標準化處理 424
11.1.3 模型資料準備 428
11.2 Boosting 模型因數合成 430
11.2.1 模型訓練 431
11.2.2 模型結果分析 437
11.2.3 因數重要度分析 438
11.3 因數測試 440
11.3.1 載入因數文件 440
11.3.2 回測詳情 441
11.3.3 Boosting 模型合成因數分組回測 459