AI時代錢滾錢：量化自動交易躺著賺


	本書主要探討AI量化投資的技術與方法，涵蓋多個重要主題。　　首先，書中介紹了如何通過JDBC驅動連接MySQL資料庫，並詳細說明了資料庫的操作過程，包括查詢和更新資料的基本步驟。接著，作者利用JMatLink套裝程式進行混合程式設計，並通過蒙地卡羅模擬來求解z值，展示了數學方程式的應用。書中還推導了Spearman相關度與Pearson相關度的共生關係，從風險結構的角度進行分析，提出了風險平價的原始模型、常規模型、增強模型和槓桿模型等四類數學模型，層層遞進，邏輯清晰。此外，凱利公式的電腦動態模擬也被納入討論，這是量化投資行業實現自動化交易的基礎。　　書中還分析了超額收益案例的因式分解，並提供因數與因數群結構的示意圖，明確區分AI量化投資與傳統量化投資的本質差異。高頻交易和時間極限微分收益率的概念也被深入探討，並引入灰色連結度矩陣來分析宏觀經濟因數。資產向量圖和雲滴模擬基金的風格漂移等內容，進一步豐富了理論框架。針對網格交易的原理，書中以中國滬深300指數為例進行解釋，並對資產組合的收益進行因式分解，揭示了現代金融投資的風控理論系統，旨在解決在已知勝率和賠率的情況下，如何合理配置資金的問題。最後，基於連線券商系統的角度，書中提供了實用的介紹，為讀者在量化投資領域的實踐提供了指導。　　整體而言，本書不僅涵蓋了量化投資的理論基礎，還提供了豐富的實證案例和應用實踐，對於希望深入了解AI量化投資的讀者具有重要的參考價值。本書特色　　★超額 α 實證、AOA資產配置法　　★量化思想、量化實踐、Spearman 相關度　　★量化方法、量化策略、多因數投資　　★網格交易、風險平價策略　　★風險控制、凱利公式　　★交易資訊系統外接　　★遺傳演算法在黃金投資中的應用　　★大規模神經網路及股票非量價複合策略　　★小波分析及金融工程多維度應用　　★量化最新科技介紹與探索


	目錄 ▌上篇量化系統第一章量化思想 1.1 超額 α 實證案例 1.1.1 定量建構三級基金池 1.1.2 透過「AOA」分析法進行大類資產配置 1.1.3 檢驗正交( 獨立) 的多筆投資回報流 1.1.4 組建風險收益模型 1.1.5 模型延伸：透過JDBC 驅動連接MySQL 介面 1.2 萬物皆是演算法 1.2.1 生物學的演算法屬性 1.2.2 機器學習演算法與數學機械化概述 1.3 什麼是量化投資 1.3.1 量化戰勝市場 1.3.2 主觀投資與量化投資 1.3.3 全球證券投資的上升策略 1.3.4 經典多因數量化三要素 1.3.5 多因數投資拓撲結構 1.3.6 算力與tick 顆粒度 1.3.7 演算法暴力會人為造成伺服器「燃料」短缺 1.3.8 量化策略能盈利的底層邏輯 1.4 什麼是 AI 量化投資 1.4.1 AI 量化投資與量化投資的本質區別 1.4.2 收益與高流動性顯著相關 1.5 AI 用於投資策略的三項前提條件第二章量化實踐 2.1 定量設計現金管理方案 2.2 基金科學定投 2.2.1 蒙地卡羅模擬的原理 2.2.2 誤差分析 2.2.3 定投鈍化 2.3 時間解析度為何深度影響投資收益率 2.3.1 時間解析度 2.3.2 投資時間顆粒度與複利理論最大值第三章量化方法 3.1 線性相關度 3.1.1 計算方法 3.1.2 用於巨觀經濟因數 3.1.3 建構不相關投資回報流 3.1.4 線性相關度延伸：Spearman 相關度 3.2 灰色相關矩陣灰色相關矩陣 3.2.1 股票走勢的灰色性 3.2.2 灰色連結度計算方法 3.2.3 用於巨觀經濟因數 3.3 多因數投資 3.3.1 因數暴露、因數溢價、因數模型、資產向量圖 3.3.2 建構多因數投資向量通式 3.3.3 單因數溢價 3.3.4 雙因數溢價 3.3.5 因數檢驗 3.3.6 多因數分析的主觀性 3.4 雲端模型，不確定性的 AI 3.4.1 「雲滴」的隨機性與模糊性 3.4.2 雲滴模擬基金的風格漂移 3.5 貝氏判別法，先驗機率的 AI 3.5.1 後驗機率 3.5.2 判別股票的動量反轉 3.6 K-means 聚類法 3.6.1 數學原理 3.6.2 中證1000 成分股量價因數聚類 3.6.3 A 股全指個股量價因數聚類 3.7 行為金融交易法 3.7.1 前景理論 3.7.2 面向未來 3.7.3 資訊交易者與雜訊交易者第四章量化策略 4.1 量化投資流程與策略分類 4.1.1 策略實現流程 4.1.2 量化策略分類 4.2 指數增強策略 4.3 對沖中性策略 4.3.1 策略原理 4.3.2 期貨升貼水 4.3.3 ETF 對沖概述 4.4 網格交易策略 4.4.1 網格交易原理 4.4.2 滬深300 實證案例 4.4.3 策略缺點與最佳化 4.5 風險平價策略 4.5.1 原始模型 4.5.2 常規模型 4.5.3 模型求解 4.5.4 增強模型 4.5.5 槓桿模型 4.6 CTA 策略 4.7 量化策略的趨勢第五章風險控制繞不開凱利公式 5.1 普適的凱利公式 5.2 勝率和賠率決定冒險投資的倉位 5.3 公式推導 5.4 電腦動態模擬 5.5 凱利投資準則第六章交易資訊系統外接 6.1 連線門檻 6.2 系統外接 IT 架構 ▌下篇 AI 方法及投資策略第七章遺傳演算法在黃金投資中的應用 7.1 AI 演算法思想 7.1.1 邊緣活躍效應 7.1.2 AI 演算法時代 7.1.3 量化投資在中國的發展階段 7.2 遺傳演算法概述 7.2.1 重度參與飛機引擎設計 7.2.2 生物學基礎 7.3 遺傳演算法關鍵數學原理 7.3.1 編解碼 7.3.2 複製運算 7.4 遺傳演算法尋優舉例 7.4.1 編碼 7.4.2 評價個體適應度 7.4.3 新種群複製 7.4.4 交配點發生交配 7.4.5 基因突變 7.5 遺傳演算法拓展 7.5.1 協力進化 7.5.2 遺傳演算法與佛洛伊德夢的解析法 7.6 電腦程式設計框架 7.6.1 虛擬程式碼設計 7.6.2 參數設計準則 7.6.3 適應度函式調優 7.7 黃金現貨對沖套利 7.7.1 黃金投資重要屬性 7.7.2 定價要素 7.7.3 組建模型 7.7.4 求解非線性多約束雙目標函式 7.7.5 套利策略設計想法第八章大規模神經網路及股票非量價複合策略 8.1 類神經網路概述 8.1.1 網路結構 8.1.2 激勵函式 8.2 經典神經網路模型 8.2.1 因式分解網路的學習步驟 8.2.2 基於視網膜感受視野設計RBF 神經網路 8.3 設計 BP 神經網路 8.3.1 鯊魚嗅聞血腥味原理 8.3.2 網路學習案例化解析 8.3.3 網路訓練多尺度分析 8.4 設計 RBF 神經網路 8.4.1 梯度訓練法 8.4.2 性能要素 8.5 評價神經網路的泛化能力 8.6 神經網路核心技術與策略 8.6.1 震盪的成因 8.6.2 演繹推理法與絕妙的排列組合演算法 8.7 設計大規模徑向基小波神經網路的深度理論 8.7.1 五層網路拓撲結構 8.7.2 符號約定 8.7.3 組建神經網路數學模型 8.7.4 調整伸縮因數a 8.7.5 調整尺度因數b 8.7.6 調整連接權值w 8.7.7 a、b、w 動態調整量 8.7.8 增加網路動量 8.7.9 非常規定律 8.8 中證 1000 成分股非量價複合策略 8.8.1 股價預測的合理性與不合理性 8.8.2 多策略原理闡述 8.8.3 因數群挖掘 8.8.4 股票資料ETL 8.8.5 股票資料歸一化和增加白色雜訊 8.8.6 啟動訓練 8.8.7 股價預測準確率 8.8.8 交易指令設計 8.8.9 為什麼有些機器學習量化策略沒有成功 8.8.10 神經網路在股票優選策略中的獨特優勢第九章小波分析及金融工程多維度應用 9.1 小波分析框架理論 9.1.1 數學變換的含義 9.1.2 傅立葉轉換的局限性在哪裡 9.1.3 傅立葉轉換和小波變換圖譜對比 9.1.4 小波的定義及特徵 9.2 小波伸縮平移和變換 9.2.1 母小波伸縮平移 9.2.2 連續小波變換 9.3 小波分解與重構 9.3.1 平均和細節 9.3.2 多尺度分析 9.4 市場熵投資策略 9.4.1 海森堡不確定性定律 9.4.2 小波窗函式影響市場動量因數 9.4.3 統一論的量化投資系統 9.5 取出震盪中的道瓊工業指數行情趨勢 9.6 辨識可轉債的資本市場炒作行為 9.6.1 進可攻，退可守的可轉債 9.6.2 資料洗滌 9.6.3 基於db6 小波基對炒作訊號進行變換 9.6.4 透過雜訊分貝辨識可轉債市場炒作行為 9.6.5 模型延伸：提升時間解析度第十章前端研究與探索 10.1 費氏投資模型 10.1.1 通項式 10.1.2 簡單是股票策略有效的必要條件 10.2 股票能量守恆定律 10.2.1 物理方程式 10.2.2 實證案例 10.3 最速降線：股票利空出盡的快速途徑 10.3.1 參數方程組 10.3.2 延伸理解 10.3.3 利空出盡最速衰減規律後記參考文獻作者簡介