简体网页||繁体网页

☆☆☆☆☆

图书标签:

• Python
• 量化投资
• 量化交易
• 金融工程
• 投资策略
• 实战
• 数据分析
• 机器学习
• 时间序列
• 风险管理

店铺： 义博图书专营店

出版社： 电子工业

ISBN：9787121338571

商品编码：26479264853

Python与量化投资：从基础到实战

Python与量化投资：从基础到实战

王小川 (作者)  

 

书 号：978-7-121-33857-1

出版日期：2018-04-01

页 数：424

开 本：16(185*235)

出版状态：上市销售

维护人：张国霞

本书主要讲解如何利用Python进行量化投资，包括对数据的获取、整理、分析挖掘、信号构建、策略构建、回测、策略分析等。本书也是利用Python进行数据分析的指南，有大量的关于数据处理分析的应用，并将重点介绍如何高效地利用Python解决投资策略问题。本书分为Python基础篇和量化投资篇：Python基础篇主要讲解Python软件的基础、各个重要模块及如何解决常见的数据分析问题；量化投资篇在Python基础篇的基础上，讲解如何使用优矿（uqer.io）回测平台实现主流策略及高级定制策略等。

本书可作为专业金融从业者进行量化投资的工具书，也可作为金融领域的入门参考书。在本书中有大量的Python代码、Python量化策略的实现代码等，尤其是对于量化策略的实现代码，读者可直接自行修改并获得策略的历史回测结果，甚至可将代码直接实盘应用，进行投资。

1章 准备工作    1

1.1 Python的安装与设置    1

1.2 常见的Python库    2

 

2章 Python基础介绍    7

2.1 Python学习准备    7

2.2 Python语法基础    11

2.2.1 常量与变量    11

2.2.2 数与字符串    11

2.2.3 数据类    15

2.2.4 标识符    18

2.2.5 对象    19

2.2.6 行与缩进    20

2.2.7 注释    22

2.3 Python运算符与表达式    22

2.3.1 算数运算符    22

2.3.2 比较运算符    24

2.3.3 逻辑运算符    25

2.3.4 Python中的优先级    27

2.4 Python中的控制流    27

2.4.1 控制流的功能    28

2.4.2 Python的三种控制流    29

2.4.3 认识分支结构if    30

2.4.4 认识循环结构for…in    32

2.4.5 认识循环结构while    33

2.4.6 break语句与continue语句    35

2.5 Python函数    39

2.5.1 认识函数    39

2.5.2 形参与实参    40

2.5.3 全局变量与局部变量    44

2.5.4 对函数的调用与返回值    45

2.5.5 文档字符串    46

2.6 Python模块    47

2.6.1 认识Python模块    47

2.6.2 from…import详解    49

2.6.3 认识__name__属性    50

2.6.4 自定义模块    50

2.6.5 dir()函数    51

2.7 Python异常处理与文件操作    52

2.7.1 Python异常处理    52

2.7.2 异常的发生    55

2.7.3 try…finally的使用    56

2.7.4 文件操作    57

 

3章 Python进阶    59

3.1 NumPy的使用    59

3.1.1 多维数组ndarray    59

3.1.2 ndarray的数据类型    60

3.1.3 数组索引、切片和赋值    61

3.1.4 基本的数组运算    62

3.1.5 随机数    63

3.2 Pandas的使用    67

3.2.1 Pandas的数据结构    68

3.2.2 Pandas输出设置    70

3.2.3 Pandas数据读取与写入    70

3.2.4 数据集快速描述性统计分析    71

3.2.5 根据已有的列建立新列    72

3.2.6 DataFrame按多列排序    73

3.2.7 DataFrame去重    73

3.2.8 删除已有的列    74

3.2.9 Pandas替换数据    75

3.2.10 DataFrame重命名    75

3.2.11 DataFrame切片与筛选    76

3.2.12 连续型变量分组    78

3.2.13 Pandas分组技术    79

3.3 SciPy的初步使用    83

3.3.1 回归分析    84

3.3.2 插值    87

3.3.3 正态性检验    89

3.3.4 凸优化    93

3.4 Matplotlib的使用    97

3.5 Seaborn的使用    97

3.5.1 主题管理    98

3.5.2 调色板    101

3.5.3 分布图    102

3.5.4 回归图    104

3.5.5 矩阵图    106

3.5.6 结构网格图    108

3.6 Scikit-Learn的初步使用    109

3.6.1 Scikit-Learn学习准备    110

3.6.2 常见的机器学习模型    111

3.6.3 模型评价方法——metric模块    120

3.6.4 深度学习    124

3.7 SQLAlchemy与常用数据库的连接    124

3.7.1 连接数据库    125

3.7.2 读取数据    126

3.7.3 存储数据    126

 

4章 常用数据的获取与整理    129

4.1 金融数据类型    129

4.2 金融数据的获取    131

4.3 数据整理    135

4.3.1 数据整合    135

4.3.2 数据过滤    137

4.3.3 数据探索与数据清洗    138

4.3.4 数据转化    140

 

5章 通联数据回测平台介绍    143

5.1 回测平台函数与参数介绍    144

5.1.1 设置回测参数    144

5.1.2 accounts账户配置    154

5.1.3 initialize（策略初始化环境）    160

5.1.4 handle_data（策略运行逻辑）    160

5.1.5 context（策略运行环境）    160

5.2 股票模板实例    168

5.3 期货模板实例    173

5.4 策略回测详情    179

5.5 策略的风险评价指标    181

5.6 策略交易细节    184

 

6章 常用的量化策略及其实现    187

6.1 量化投资概述    187

6.1.1 量化投资简介    187

6.1.2 量化投资策略的类型    188

6.1.3 量化研究的流程    189

6.2 行业轮动理论及其投资策略    192

6.2.1 行业轮动理论简介    192

6.2.2 行业轮动的原因    192

6.2.3 行业轮动投资策略    194

6.3 市场中性Alpha策略    199

6.3.1 市场中性Alpha策略介绍    199

6.3.2 市场中性Alpha策略的思想和方法    200

6.3.3 实例展示    201

6.4 大师策略    206

6.4.1 麦克·欧希金斯绩优成分股投资法    207

6.4.2 杰拉尔丁·维斯蓝筹股投资法    211

6.5 CTA策略    219

6.5.1 趋势跟随策略    219

6.5.2 均值回复策略    241

6.5.3 CTA策略表现分析    253

6.6 Smart Beta    258

6.6.1 基于权重优化的Smart Beta    258

6.6.2 基于风险因子的Smart Beta    268

6.7 技术指标类策略    281

6.7.1 AROON指标    281

6.7.2 BOLL指标    285

6.7.3 CCI指标    288

6.7.4 CMO指标    293

6.7.5 Chaikin Oscillator指标    295

6.7.6 DMI指标    299

6.7.7 优矿平台因子汇总    302

6.8 资产配置    317

6.8.1 有效边界    318

6.8.2 Black-Litterman模型    335

6.8.3 风险平价模型    349

6.9 时间序列分析    358

6.9.1 与时间序列分析相关的基础知识    358

6.9.2 自回归（AR）模型    365

6.9.3 滑动平均（MA）模型    372

6.9.4 自回归滑动平均（ARMA）模型    376

6.9.5 自回归差分滑动平均（ARIMA）模型    379

6.10 组合优化器的使用    384

6.10.1 优化器的概念    384

6.10.2 优化器的API接口    386

6.10.3 优化器实例    388

6.11 期权策略：Greeks和隐含波动率微笑计算    392

6.11.1 数据准备    392

6.11.2 Greeks和隐含波动率计算    394

6.11.3 隐含波动率微笑    401

 

7章 量化投资十问十答    405

量化交易之路 用Python做股票量化分析

作者在百度互联网证券、百度金融多年从业经验的总结。详解趋势跟踪、统计套利、机器学习等量化技术； Python、NumPy、pandas、可视化和数学等量化工具；量化择时、选股、资金管理、度量等技术 著

基本信息

书名:量化交易之路 用Python做股票量化分析

定价：89.00元

售价：60.5元,便宜28.5元,折扣67

作者:阿布

出版社：机械工业出版社

出版日期：2017-09-01

ISBN：9787111575214

字数：

页码：393

版次：1

装帧：平装

开本：16开

商品重量：0.4kg

编辑推荐

作者在互联网证券、金融等互联网金融公司多年从业经验的总结；

n

涵盖从传统的趋势跟踪技术及统计套利技术，到*新的机器学习技术等各种量化技术；

n

树立对量化交易的正确认识，搭建交易技术与量化技术之间的稳固纽带；

n

给出完整的量化交易知识体系，所有实例均采用真实的交易进行讲解；

n

详解量化基础知识，以及Python、NumPy、pandas、可视化和数学等量化工具及实例；

n

详解量化择时、选股、资金管理、度量、*优参数等技术及交易实例；

n

详解机器学习技术在量化交易领域的应用，并给出交易实例。

n

内容提要

本书从对量化交易的正确认识出发，循序渐进地讲解了量化交易所需要了解的各种知识及工具。书中特别穿插了大量的开发技巧与交易技巧，还提供了大量基于真实交易的实例，有很强的实用性。本书偏重于量化技术在实际交易中的应用，读者不需要有深厚的数学功底即可阅读。

n

本书共11章，分为4部分。部分讲解了对量化交易的正确认识；第2部分讲解了量化交易的基础，如Python语言、数学和几种数据分析工具等；第3部分讲解了量化交易系统的开发与使用，以及基础度量概念及*优参数等问题；第4部分讲解了机器学习技术在量化交易中的实际应用。附录中还给出了量化环境部署、量化相关性分析、量化统计分析及指标应用等相关内容。

n

本书适合所有对量化交易感兴趣的人员阅读，也适合相关院校和培训机构作为量化交易系统课程的教材。阅读本书，建议读者有的编程基础。

n

一分钟了解本书内容精华：

n

量化引言

n

量化语言——Python

n

量化工具——NumPy

n

量化工具——pandas

n

量化工具——可视化

n

量化工具——数学

n

量化系统——入门

n

量化系统——开发

n

量化系统——度量与优化

n

量化系统——机器学习猪老三

n

量化系统——机器学习abu

n

量化环境部署

n

量化相关性分析

n

量化统计分析及指标应用

n

《Python量化投资策略与实践：从数据分析到交易系统构建》 导语： 在瞬息万变的金融市场中，量化投资以其严谨的逻辑、客观的数据和高效的执行力，成为越来越多投资者的首选。本书将带领您踏上一段深度探索Python在量化投资领域的应用之旅。我们不仅仅关注理论的阐释，更着重于将复杂的概念转化为可执行的代码，从数据获取、处理，到策略开发、回测优化，再到交易系统的构建与实盘交易，每一个环节都将得到详尽的讲解和实例演示。无论您是金融领域的初学者，还是有一定经验的交易者，亦或是希望拓展技能的技术爱好者，都能从中获益匪浅，掌握构建属于自己的量化交易体系的核心能力。 第一部分：量化投资基石与Python数据分析 本部分旨在为您打下坚实的量化投资理论和Python数据分析基础。我们将从量化投资的基本概念入手，深入剖析其优势、局限性以及核心流程。您将了解到不同类型的量化策略，例如统计套利、因子投资、趋势跟踪等，并理解它们背后的数学和统计原理。 随后，我们将重点聚焦于Python在量化投资数据分析中的强大作用。您将学习如何使用Python的强大库，如NumPy和Pandas，高效地处理和分析金融数据。这包括： 数据获取： 掌握从各种数据源（如Quandl、yfinance、Tushare等）获取历史行情数据、基本面数据、宏观经济数据以及另类数据的方法。我们将演示如何编写脚本自动抓取所需数据，并处理数据的缺失值、异常值等问题。 数据清洗与预处理： 学习如何利用Pandas进行数据筛选、排序、合并、重塑等操作，确保数据的准确性和一致性。我们将探讨如何处理复权数据、交易日历对齐等金融数据特有的挑战。 数据可视化： 运用Matplotlib和Seaborn等库，将复杂的金融数据转化为直观的图表，帮助您识别趋势、模式和潜在的交易机会。我们将学习绘制K线图、成交量图、技术指标图以及相关性矩阵图等。 统计分析与特征工程： 深入理解统计学在量化投资中的应用，如均值回归、协方差分析、时间序列模型（ARIMA、GARCH等）的构建与应用。您将学习如何从原始数据中提取有用的特征，为构建交易策略提供素材，例如计算移动平均线、MACD、RSI等经典技术指标，以及开发更复杂的因子。 第二部分：量化交易策略开发与回测 在掌握了数据分析基础后，我们将进入量化交易策略的核心开发阶段。本部分将引导您一步步构建自己的交易策略，并对其进行严谨的回测验证。 策略构思与逻辑设计： 我们将从经典的量化策略出发，引导您理解策略的逻辑和交易规则。例如，双均线交叉策略、布林带突破策略、MACD背离策略等。更重要的是，我们将教授如何根据市场特征和您的投资目标，自主设计更具创新性和适应性的策略。 策略实现： 您将学习如何使用Python将策略逻辑转化为可执行的代码。我们将使用Pandas和NumPy构建策略的买卖信号生成器，并考虑止损、止盈等风险控制机制。 策略回测框架搭建： 回测是评估策略表现的关键步骤。我们将介绍如何从零开始搭建一个灵活且高效的回测框架，或者利用现有的开源回测库（如Backtrader, PyAlgoTrade等）来加速开发进程。 回测指标与绩效评估： 学习如何计算和解读各种回测指标，如夏普比率、索提诺比率、最大回撤、年化收益率、胜率、盈亏比等，全面评估策略的风险和收益特性。我们将探讨如何识别和避免回测中的常见陷阱，如过拟合、幸存者偏差等。 策略优化： 介绍参数优化和特征优化的方法，以提高策略在历史数据上的表现。我们将讨论网格搜索、随机搜索等优化技术，并强调在优化过程中防止过拟合的重要性，例如使用Walk-Forward Optimization等方法。 第三部分：交易系统构建与实盘部署 一个完整的量化交易体系不仅仅是策略本身，更需要一个稳定可靠的交易系统来执行。本部分将聚焦于交易系统的构建，并为您提供实盘交易的指导。 交易接口与委托执行： 学习如何连接交易所的API（如通过券商提供的API），实现自动下单、撤单、查询委托和持仓等功能。我们将演示如何处理API的调用、数据格式以及常见的错误。 风险管理模块： 强调在交易系统中集成健全的风险管理机制，包括头寸管理、仓位控制、强平逻辑以及紧急止损等。您将学习如何根据账户资金和市场波动性动态调整仓位。 订单管理与执行逻辑： 深入理解不同类型的订单（市价单、限价单、止损单等）及其在交易系统中的处理方式。我们将探讨如何设计高效的订单执行逻辑，以最小化滑点和交易成本。 交易系统架构设计： 介绍交易系统的基本架构，包括数据接收模块、策略执行模块、委托管理模块、风险控制模块以及日志记录模块等。我们将讨论如何设计一个模块化、可扩展的交易系统。 实盘交易注意事项： 提供关于实盘交易的实用建议，包括如何进行小规模的模拟盘测试、如何应对突发事件、如何监控交易系统的运行状态、如何进行交易复盘以及如何持续迭代和改进策略。 第四部分：进阶主题与未来展望 在掌握了量化投资的基本流程和交易系统构建后，本部分将引导您探索更高级的主题，并展望量化投资的未来发展方向。 高频交易与微观结构： 简要介绍高频交易的特点、技术挑战以及相关的策略类型，帮助您了解市场微观结构对交易执行的影响。 机器学习在量化投资中的应用： 探讨如何利用机器学习算法（如支持向量机、决策树、神经网络、深度学习模型等）来预测市场走势、识别交易模式、优化因子以及构建更复杂的交易策略。 另类数据与非结构化数据分析： 介绍如何利用新闻情感分析、社交媒体数据、卫星图像等另类数据，发掘传统数据难以捕捉的投资机会。 分布式计算与大数据处理： 讨论在大数据时代，如何利用分布式计算框架（如Spark）来处理海量的金融数据，加速策略开发和回测。 交易心理学与纪律： 强调在量化交易中保持冷静和纪律的重要性，避免情绪化决策对交易结果的影响。 结语： “Python量化投资策略与实践：从数据分析到交易系统构建”是一本旨在赋能您构建独立量化交易体系的实践指南。本书内容丰富，结构清晰，理论与实践相结合，力求让您在掌握Python量化投资的道路上，少走弯路，稳步前行。通过本书的学习，您将不仅仅掌握一门技术，更将获得一种全新的投资思维和方法论，在充满机遇与挑战的金融市场中，开启属于您的量化投资新篇章。

评分☆☆☆☆☆

这本书的阅读体验可以用“酣畅淋漓”来形容。从Python的入门到构建复杂的量化交易策略，作者的讲解犹如行云流水，没有丝毫拖泥带水。书中对每一个概念的解释都力求严谨，同时又兼顾了可读性，让我这个之前对量化投资了解不多的人，也能够轻松地跟上思路。我最欣赏的是书中对不同类型交易策略的介绍，从趋势跟踪到均值回归，再到基于事件驱动的策略，每一种都有详细的数学模型和Python代码实现。作者并没有仅仅罗列公式，而是深入浅出地解释了这些策略背后的逻辑和适用场景。此外，书中关于风险管理和资金管理的章节也写得非常精彩，这对于任何一个希望在投资市场长期生存下去的人来说，都是必不可少的知识。我感觉这本书不仅教会了我如何“量化”投资，更教会了我如何“理性”投资。它让我看到了量化投资的无限可能，也激发了我不断学习和探索的欲望。

评分☆☆☆☆☆

这本书给我的感觉就像是打开了一扇新世界的大门，让我对金融市场的运作有了全新的认识。我一直以为量化投资是那些高智商、顶尖金融机构的专属领域，但这本书彻底颠覆了我的认知。它从最基本的Python编程讲起，那些看似枯燥的代码，在作者的笔下却变得生动有趣，而且与金融投资紧密结合。我从来没有想到过，仅仅是学习一些编程技巧，就能为我的投资决策提供如此强大的支持。书中的案例分析非常到位，每一个策略的提出都有其理论依据和逻辑支撑，并且提供了详细的实现代码。我最喜欢的是作者在讲解过程中，不断强调风险控制的重要性，这让我明白，在追求收益的同时，保护本金同样重要。这本书没有给读者灌输任何“一夜暴富”的幻想，而是脚踏实地地教授如何构建稳健的投资系统。我感觉这本书非常适合那些对金融投资感兴趣，但又希望通过科学、系统的方式来提升自己投资能力的朋友。

评分☆☆☆☆☆

坦白说，在我翻开这本书之前，对量化投资几乎是一无所知，甚至觉得它是一门高不可攀的学问。然而，这本书以一种非常友好的姿态，让我这个“小白”也能轻松入门。作者并没有一开始就抛出复杂的模型和算法，而是从Python语言的基础讲起，让我可以先建立起编程的信心。随后，书中巧妙地将Python与金融数据分析相结合，通过实际例子，展示了如何获取、清洗和分析股票、期货等数据。我印象最深的是关于技术指标和基本面分析的量化实现，这些在传统投资分析中常用的方法，通过Python代码变得更加客观和可重复。这本书的价值在于，它不仅仅提供了“做什么”，更重要的是“怎么做”，每一个步骤都有清晰的指导和代码示例。而且，作者还分享了一些关于回测和优化的技巧，这对于评估策略的有效性至关重要。我感觉这本书就像一位耐心的导师，一步步引导我克服学习过程中的困难，让我对量化投资充满了信心。

评分☆☆☆☆☆

这本书带给我的不仅仅是知识，更多的是一种全新的思维方式。我以前的投资方式比较随性，很大程度上依赖于直觉和市场情绪，但这本书让我意识到，这种方式的局限性。量化投资的核心在于将投资决策“模型化”，用数据和算法来驱动交易，这能够有效地排除主观情绪的干扰。书中对于如何构建一个完整的量化交易系统，从数据获取、策略开发、回测验证到实盘交易，都有非常详尽的阐述。我尤其喜欢书中关于机器学习在量化投资中的应用部分，虽然这部分内容相对深入，但作者的讲解依然保持了清晰易懂的风格，让我对未来量化投资的发展方向有了更深的理解。这本书让我明白，量化投资不是魔法，而是科学，是可以通过学习和实践掌握的技能。它鼓励读者独立思考，勇于尝试，并不断优化自己的交易系统，这是一种非常积极的学习态度。

评分☆☆☆☆☆

最近我被一本关于“Python与量化投资”的书深深吸引了，它不仅仅是一本技术手册，更像是一位经验丰富的向导，带领我一步步探索量化投资的迷人世界。从最基础的Python语法和数据处理工具，到构建复杂的交易策略，这本书都讲解得清晰易懂，循序渐进。书中对金融概念的解释也恰到好处，即使是没有深厚金融背景的读者也能快速掌握。我尤其欣赏书中大量的实战案例，它们不仅展示了理论知识的应用，更提供了宝贵的实操经验。通过书中提供的代码示例，我能够亲手复现和修改各种交易模型，这比仅仅阅读理论知识更能加深理解。作者的讲解方式非常接地气，常常用生动的比喻来解释抽象的概念，让学习过程充满了乐趣。我曾尝试过阅读其他量化投资的书籍，但总觉得过于晦涩难懂，或者缺乏实际操作指导，而这本则很好地平衡了理论与实践，让我感觉自己真正走在了通往量化投资的道路上。它让我意识到，量化投资并非遥不可及，只要掌握了正确的方法和工具，任何人都可以尝试。