簡體網頁||繁體網頁

☆☆☆☆☆

圖書標籤:

• Python
• 量化投資
• 量化交易
• 金融工程
• 投資策略
• 實戰
• 數據分析
• 機器學習
• 時間序列
• 風險管理

店鋪： 義博圖書專營店

齣版社： 電子工業

ISBN：9787121338571

商品編碼：26479264853

Python與量化投資：從基礎到實戰

Python與量化投資：從基礎到實戰

王小川 (作者)  

 

書 號：978-7-121-33857-1

齣版日期：2018-04-01

頁 數：424

開 本：16(185*235)

齣版狀態：上市銷售

維護人：張國霞

本書主要講解如何利用Python進行量化投資，包括對數據的獲取、整理、分析挖掘、信號構建、策略構建、迴測、策略分析等。本書也是利用Python進行數據分析的指南，有大量的關於數據處理分析的應用，並將重點介紹如何高效地利用Python解決投資策略問題。本書分為Python基礎篇和量化投資篇：Python基礎篇主要講解Python軟件的基礎、各個重要模塊及如何解決常見的數據分析問題；量化投資篇在Python基礎篇的基礎上，講解如何使用優礦（uqer.io）迴測平颱實現主流策略及高級定製策略等。

本書可作為專業金融從業者進行量化投資的工具書，也可作為金融領域的入門參考書。在本書中有大量的Python代碼、Python量化策略的實現代碼等，尤其是對於量化策略的實現代碼，讀者可直接自行修改並獲得策略的曆史迴測結果，甚至可將代碼直接實盤應用，進行投資。

1章 準備工作    1

1.1 Python的安裝與設置    1

1.2 常見的Python庫    2

 

2章 Python基礎介紹    7

2.1 Python學習準備    7

2.2 Python語法基礎    11

2.2.1 常量與變量    11

2.2.2 數與字符串    11

2.2.3 數據類    15

2.2.4 標識符    18

2.2.5 對象    19

2.2.6 行與縮進    20

2.2.7 注釋    22

2.3 Python運算符與錶達式    22

2.3.1 算數運算符    22

2.3.2 比較運算符    24

2.3.3 邏輯運算符    25

2.3.4 Python中的優先級    27

2.4 Python中的控製流    27

2.4.1 控製流的功能    28

2.4.2 Python的三種控製流    29

2.4.3 認識分支結構if    30

2.4.4 認識循環結構for…in    32

2.4.5 認識循環結構while    33

2.4.6 break語句與continue語句    35

2.5 Python函數    39

2.5.1 認識函數    39

2.5.2 形參與實參    40

2.5.3 全局變量與局部變量    44

2.5.4 對函數的調用與返迴值    45

2.5.5 文檔字符串    46

2.6 Python模塊    47

2.6.1 認識Python模塊    47

2.6.2 from…import詳解    49

2.6.3 認識__name__屬性    50

2.6.4 自定義模塊    50

2.6.5 dir()函數    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 異常的發生    55

2.7.3 try…finally的使用    56

2.7.4 文件操作    57

 

3章 Python進階    59

3.1 NumPy的使用    59

3.1.1 多維數組ndarray    59

3.1.2 ndarray的數據類型    60

3.1.3 數組索引、切片和賦值    61

3.1.4 基本的數組運算    62

3.1.5 隨機數    63

3.2 Pandas的使用    67

3.2.1 Pandas的數據結構    68

3.2.2 Pandas輸齣設置    70

3.2.3 Pandas數據讀取與寫入    70

3.2.4 數據集快速描述性統計分析    71

3.2.5 根據已有的列建立新列    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替換數據    75

3.2.10 DataFrame重命名    75

3.2.11 DataFrame切片與篩選    76

3.2.12 連續型變量分組    78

3.2.13 Pandas分組技術    79

3.3 SciPy的初步使用    83

3.3.1 迴歸分析    84

3.3.2 插值    87

3.3.3 正態性檢驗    89

3.3.4 凸優化    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 調色闆    101

3.5.3 分布圖    102

3.5.4 迴歸圖    104

3.5.5 矩陣圖    106

3.5.6 結構網格圖    108

3.6 Scikit-Learn的初步使用    109

3.6.1 Scikit-Learn學習準備    110

3.6.2 常見的機器學習模型    111

3.6.3 模型評價方法——metric模塊    120

3.6.4 深度學習    124

3.7 SQLAlchemy與常用數據庫的連接    124

3.7.1 連接數據庫    125

3.7.2 讀取數據    126

3.7.3 存儲數據    126

 

4章 常用數據的獲取與整理    129

4.1 金融數據類型    129

4.2 金融數據的獲取    131

4.3 數據整理    135

4.3.1 數據整閤    135

4.3.2 數據過濾    137

4.3.3 數據探索與數據清洗    138

4.3.4 數據轉化    140

 

5章 通聯數據迴測平颱介紹    143

5.1 迴測平颱函數與參數介紹    144

5.1.1 設置迴測參數    144

5.1.2 accounts賬戶配置    154

5.1.3 initialize（策略初始化環境）    160

5.1.4 handle_data（策略運行邏輯）    160

5.1.5 context（策略運行環境）    160

5.2 股票模闆實例    168

5.3 期貨模闆實例    173

5.4 策略迴測詳情    179

5.5 策略的風險評價指標    181

5.6 策略交易細節    184

 

6章 常用的量化策略及其實現    187

6.1 量化投資概述    187

6.1.1 量化投資簡介    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 行業輪動理論及其投資策略    192

6.2.1 行業輪動理論簡介    192

6.2.2 行業輪動的原因    192

6.2.3 行業輪動投資策略    194

6.3 市場中性Alpha策略    199

6.3.1 市場中性Alpha策略介紹    199

6.3.2 市場中性Alpha策略的思想和方法    200

6.3.3 實例展示    201

6.4 大師策略    206

6.4.1 麥剋·歐希金斯績優成分股投資法    207

6.4.2 傑拉爾丁·維斯藍籌股投資法    211

6.5 CTA策略    219

6.5.1 趨勢跟隨策略    219

6.5.2 均值迴復策略    241

6.5.3 CTA策略錶現分析    253

6.6 Smart Beta    258

6.6.1 基於權重優化的Smart Beta    258

6.6.2 基於風險因子的Smart Beta    268

6.7 技術指標類策略    281

6.7.1 AROON指標    281

6.7.2 BOLL指標    285

6.7.3 CCI指標    288

6.7.4 CMO指標    293

6.7.5 Chaikin Oscillator指標    295

6.7.6 DMI指標    299

6.7.7 優礦平颱因子匯總    302

6.8 資産配置    317

6.8.1 有效邊界    318

6.8.2 Black-Litterman模型    335

6.8.3 風險平價模型    349

6.9 時間序列分析    358

6.9.1 與時間序列分析相關的基礎知識    358

6.9.2 自迴歸（AR）模型    365

6.9.3 滑動平均（MA）模型    372

6.9.4 自迴歸滑動平均（ARMA）模型    376

6.9.5 自迴歸差分滑動平均（ARIMA）模型    379

6.10 組閤優化器的使用    384

6.10.1 優化器的概念    384

6.10.2 優化器的API接口    386

6.10.3 優化器實例    388

6.11 期權策略：Greeks和隱含波動率微笑計算    392

6.11.1 數據準備    392

6.11.2 Greeks和隱含波動率計算    394

6.11.3 隱含波動率微笑    401

 

7章 量化投資十問十答    405

量化交易之路 用Python做股票量化分析

作者在百度互聯網證券、百度金融多年從業經驗的總結。詳解趨勢跟蹤、統計套利、機器學習等量化技術； Python、NumPy、pandas、可視化和數學等量化工具；量化擇時、選股、資金管理、度量等技術 著

基本信息

書名:量化交易之路 用Python做股票量化分析

定價：89.00元

售價：60.5元,便宜28.5元,摺扣67

作者:阿布

齣版社：機械工業齣版社

齣版日期：2017-09-01

ISBN：9787111575214

字數：

頁碼：393

版次：1

裝幀：平裝

開本：16開

商品重量：0.4kg

編輯推薦

作者在互聯網證券、金融等互聯網金融公司多年從業經驗的總結；

n

涵蓋從傳統的趨勢跟蹤技術及統計套利技術，到*新的機器學習技術等各種量化技術；

n

樹立對量化交易的正確認識，搭建交易技術與量化技術之間的穩固紐帶；

n

給齣完整的量化交易知識體係，所有實例均采用真實的交易進行講解；

n

詳解量化基礎知識，以及Python、NumPy、pandas、可視化和數學等量化工具及實例；

n

詳解量化擇時、選股、資金管理、度量、*優參數等技術及交易實例；

n

詳解機器學習技術在量化交易領域的應用，並給齣交易實例。

n

內容提要

本書從對量化交易的正確認識齣發，循序漸進地講解瞭量化交易所需要瞭解的各種知識及工具。書中特彆穿插瞭大量的開發技巧與交易技巧，還提供瞭大量基於真實交易的實例，有很強的實用性。本書偏重於量化技術在實際交易中的應用，讀者不需要有深厚的數學功底即可閱讀。

n

本書共11章，分為4部分。部分講解瞭對量化交易的正確認識；第2部分講解瞭量化交易的基礎，如Python語言、數學和幾種數據分析工具等；第3部分講解瞭量化交易係統的開發與使用，以及基礎度量概念及*優參數等問題；第4部分講解瞭機器學習技術在量化交易中的實際應用。附錄中還給齣瞭量化環境部署、量化相關性分析、量化統計分析及指標應用等相關內容。

n

本書適閤所有對量化交易感興趣的人員閱讀，也適閤相關院校和培訓機構作為量化交易係統課程的教材。閱讀本書，建議讀者有的編程基礎。

n

一分鍾瞭解本書內容精華：

n

量化引言

n

量化語言——Python

n

量化工具——NumPy

n

量化工具——pandas

n

量化工具——可視化

n

量化工具——數學

n

量化係統——入門

n

量化係統——開發

n

量化係統——度量與優化

n

量化係統——機器學習豬老三

n

量化係統——機器學習abu

n

量化環境部署

n

量化相關性分析

n

量化統計分析及指標應用

n

《Python量化投資策略與實踐：從數據分析到交易係統構建》 導語： 在瞬息萬變的金融市場中，量化投資以其嚴謹的邏輯、客觀的數據和高效的執行力，成為越來越多投資者的首選。本書將帶領您踏上一段深度探索Python在量化投資領域的應用之旅。我們不僅僅關注理論的闡釋，更著重於將復雜的概念轉化為可執行的代碼，從數據獲取、處理，到策略開發、迴測優化，再到交易係統的構建與實盤交易，每一個環節都將得到詳盡的講解和實例演示。無論您是金融領域的初學者，還是有一定經驗的交易者，亦或是希望拓展技能的技術愛好者，都能從中獲益匪淺，掌握構建屬於自己的量化交易體係的核心能力。 第一部分：量化投資基石與Python數據分析 本部分旨在為您打下堅實的量化投資理論和Python數據分析基礎。我們將從量化投資的基本概念入手，深入剖析其優勢、局限性以及核心流程。您將瞭解到不同類型的量化策略，例如統計套利、因子投資、趨勢跟蹤等，並理解它們背後的數學和統計原理。 隨後，我們將重點聚焦於Python在量化投資數據分析中的強大作用。您將學習如何使用Python的強大庫，如NumPy和Pandas，高效地處理和分析金融數據。這包括： 數據獲取： 掌握從各種數據源（如Quandl、yfinance、Tushare等）獲取曆史行情數據、基本麵數據、宏觀經濟數據以及另類數據的方法。我們將演示如何編寫腳本自動抓取所需數據，並處理數據的缺失值、異常值等問題。 數據清洗與預處理： 學習如何利用Pandas進行數據篩選、排序、閤並、重塑等操作，確保數據的準確性和一緻性。我們將探討如何處理復權數據、交易日曆對齊等金融數據特有的挑戰。 數據可視化： 運用Matplotlib和Seaborn等庫，將復雜的金融數據轉化為直觀的圖錶，幫助您識彆趨勢、模式和潛在的交易機會。我們將學習繪製K綫圖、成交量圖、技術指標圖以及相關性矩陣圖等。 統計分析與特徵工程： 深入理解統計學在量化投資中的應用，如均值迴歸、協方差分析、時間序列模型（ARIMA、GARCH等）的構建與應用。您將學習如何從原始數據中提取有用的特徵，為構建交易策略提供素材，例如計算移動平均綫、MACD、RSI等經典技術指標，以及開發更復雜的因子。 第二部分：量化交易策略開發與迴測 在掌握瞭數據分析基礎後，我們將進入量化交易策略的核心開發階段。本部分將引導您一步步構建自己的交易策略，並對其進行嚴謹的迴測驗證。 策略構思與邏輯設計： 我們將從經典的量化策略齣發，引導您理解策略的邏輯和交易規則。例如，雙均綫交叉策略、布林帶突破策略、MACD背離策略等。更重要的是，我們將教授如何根據市場特徵和您的投資目標，自主設計更具創新性和適應性的策略。 策略實現： 您將學習如何使用Python將策略邏輯轉化為可執行的代碼。我們將使用Pandas和NumPy構建策略的買賣信號生成器，並考慮止損、止盈等風險控製機製。 策略迴測框架搭建： 迴測是評估策略錶現的關鍵步驟。我們將介紹如何從零開始搭建一個靈活且高效的迴測框架，或者利用現有的開源迴測庫（如Backtrader, PyAlgoTrade等）來加速開發進程。 迴測指標與績效評估： 學習如何計算和解讀各種迴測指標，如夏普比率、索提諾比率、最大迴撤、年化收益率、勝率、盈虧比等，全麵評估策略的風險和收益特性。我們將探討如何識彆和避免迴測中的常見陷阱，如過擬閤、幸存者偏差等。 策略優化： 介紹參數優化和特徵優化的方法，以提高策略在曆史數據上的錶現。我們將討論網格搜索、隨機搜索等優化技術，並強調在優化過程中防止過擬閤的重要性，例如使用Walk-Forward Optimization等方法。 第三部分：交易係統構建與實盤部署 一個完整的量化交易體係不僅僅是策略本身，更需要一個穩定可靠的交易係統來執行。本部分將聚焦於交易係統的構建，並為您提供實盤交易的指導。 交易接口與委托執行： 學習如何連接交易所的API（如通過券商提供的API），實現自動下單、撤單、查詢委托和持倉等功能。我們將演示如何處理API的調用、數據格式以及常見的錯誤。 風險管理模塊： 強調在交易係統中集成健全的風險管理機製，包括頭寸管理、倉位控製、強平邏輯以及緊急止損等。您將學習如何根據賬戶資金和市場波動性動態調整倉位。 訂單管理與執行邏輯： 深入理解不同類型的訂單（市價單、限價單、止損單等）及其在交易係統中的處理方式。我們將探討如何設計高效的訂單執行邏輯，以最小化滑點和交易成本。 交易係統架構設計： 介紹交易係統的基本架構，包括數據接收模塊、策略執行模塊、委托管理模塊、風險控製模塊以及日誌記錄模塊等。我們將討論如何設計一個模塊化、可擴展的交易係統。 實盤交易注意事項： 提供關於實盤交易的實用建議，包括如何進行小規模的模擬盤測試、如何應對突發事件、如何監控交易係統的運行狀態、如何進行交易復盤以及如何持續迭代和改進策略。 第四部分：進階主題與未來展望 在掌握瞭量化投資的基本流程和交易係統構建後，本部分將引導您探索更高級的主題，並展望量化投資的未來發展方嚮。 高頻交易與微觀結構： 簡要介紹高頻交易的特點、技術挑戰以及相關的策略類型，幫助您瞭解市場微觀結構對交易執行的影響。 機器學習在量化投資中的應用： 探討如何利用機器學習算法（如支持嚮量機、決策樹、神經網絡、深度學習模型等）來預測市場走勢、識彆交易模式、優化因子以及構建更復雜的交易策略。 另類數據與非結構化數據分析： 介紹如何利用新聞情感分析、社交媒體數據、衛星圖像等另類數據，發掘傳統數據難以捕捉的投資機會。 分布式計算與大數據處理： 討論在大數據時代，如何利用分布式計算框架（如Spark）來處理海量的金融數據，加速策略開發和迴測。 交易心理學與紀律： 強調在量化交易中保持冷靜和紀律的重要性，避免情緒化決策對交易結果的影響。 結語： “Python量化投資策略與實踐：從數據分析到交易係統構建”是一本旨在賦能您構建獨立量化交易體係的實踐指南。本書內容豐富，結構清晰，理論與實踐相結閤，力求讓您在掌握Python量化投資的道路上，少走彎路，穩步前行。通過本書的學習，您將不僅僅掌握一門技術，更將獲得一種全新的投資思維和方法論，在充滿機遇與挑戰的金融市場中，開啓屬於您的量化投資新篇章。

評分☆☆☆☆☆

這本書帶給我的不僅僅是知識，更多的是一種全新的思維方式。我以前的投資方式比較隨性，很大程度上依賴於直覺和市場情緒，但這本書讓我意識到，這種方式的局限性。量化投資的核心在於將投資決策“模型化”，用數據和算法來驅動交易，這能夠有效地排除主觀情緒的乾擾。書中對於如何構建一個完整的量化交易係統，從數據獲取、策略開發、迴測驗證到實盤交易，都有非常詳盡的闡述。我尤其喜歡書中關於機器學習在量化投資中的應用部分，雖然這部分內容相對深入，但作者的講解依然保持瞭清晰易懂的風格，讓我對未來量化投資的發展方嚮有瞭更深的理解。這本書讓我明白，量化投資不是魔法，而是科學，是可以通過學習和實踐掌握的技能。它鼓勵讀者獨立思考，勇於嘗試，並不斷優化自己的交易係統，這是一種非常積極的學習態度。

評分☆☆☆☆☆

這本書給我的感覺就像是打開瞭一扇新世界的大門，讓我對金融市場的運作有瞭全新的認識。我一直以為量化投資是那些高智商、頂尖金融機構的專屬領域，但這本書徹底顛覆瞭我的認知。它從最基本的Python編程講起，那些看似枯燥的代碼，在作者的筆下卻變得生動有趣，而且與金融投資緊密結閤。我從來沒有想到過，僅僅是學習一些編程技巧，就能為我的投資決策提供如此強大的支持。書中的案例分析非常到位，每一個策略的提齣都有其理論依據和邏輯支撐，並且提供瞭詳細的實現代碼。我最喜歡的是作者在講解過程中，不斷強調風險控製的重要性，這讓我明白，在追求收益的同時，保護本金同樣重要。這本書沒有給讀者灌輸任何“一夜暴富”的幻想，而是腳踏實地地教授如何構建穩健的投資係統。我感覺這本書非常適閤那些對金融投資感興趣，但又希望通過科學、係統的方式來提升自己投資能力的朋友。

評分☆☆☆☆☆

最近我被一本關於“Python與量化投資”的書深深吸引瞭，它不僅僅是一本技術手冊，更像是一位經驗豐富的嚮導，帶領我一步步探索量化投資的迷人世界。從最基礎的Python語法和數據處理工具，到構建復雜的交易策略，這本書都講解得清晰易懂，循序漸進。書中對金融概念的解釋也恰到好處，即使是沒有深厚金融背景的讀者也能快速掌握。我尤其欣賞書中大量的實戰案例，它們不僅展示瞭理論知識的應用，更提供瞭寶貴的實操經驗。通過書中提供的代碼示例，我能夠親手復現和修改各種交易模型，這比僅僅閱讀理論知識更能加深理解。作者的講解方式非常接地氣，常常用生動的比喻來解釋抽象的概念，讓學習過程充滿瞭樂趣。我曾嘗試過閱讀其他量化投資的書籍，但總覺得過於晦澀難懂，或者缺乏實際操作指導，而這本則很好地平衡瞭理論與實踐，讓我感覺自己真正走在瞭通往量化投資的道路上。它讓我意識到，量化投資並非遙不可及，隻要掌握瞭正確的方法和工具，任何人都可以嘗試。

評分☆☆☆☆☆

坦白說，在我翻開這本書之前，對量化投資幾乎是一無所知，甚至覺得它是一門高不可攀的學問。然而，這本書以一種非常友好的姿態，讓我這個“小白”也能輕鬆入門。作者並沒有一開始就拋齣復雜的模型和算法，而是從Python語言的基礎講起，讓我可以先建立起編程的信心。隨後，書中巧妙地將Python與金融數據分析相結閤，通過實際例子，展示瞭如何獲取、清洗和分析股票、期貨等數據。我印象最深的是關於技術指標和基本麵分析的量化實現，這些在傳統投資分析中常用的方法，通過Python代碼變得更加客觀和可重復。這本書的價值在於，它不僅僅提供瞭“做什麼”，更重要的是“怎麼做”，每一個步驟都有清晰的指導和代碼示例。而且，作者還分享瞭一些關於迴測和優化的技巧，這對於評估策略的有效性至關重要。我感覺這本書就像一位耐心的導師，一步步引導我剋服學習過程中的睏難，讓我對量化投資充滿瞭信心。

評分☆☆☆☆☆

這本書的閱讀體驗可以用“酣暢淋灕”來形容。從Python的入門到構建復雜的量化交易策略，作者的講解猶如行雲流水，沒有絲毫拖泥帶水。書中對每一個概念的解釋都力求嚴謹，同時又兼顧瞭可讀性，讓我這個之前對量化投資瞭解不多的人，也能夠輕鬆地跟上思路。我最欣賞的是書中對不同類型交易策略的介紹，從趨勢跟蹤到均值迴歸，再到基於事件驅動的策略，每一種都有詳細的數學模型和Python代碼實現。作者並沒有僅僅羅列公式，而是深入淺齣地解釋瞭這些策略背後的邏輯和適用場景。此外，書中關於風險管理和資金管理的章節也寫得非常精彩，這對於任何一個希望在投資市場長期生存下去的人來說，都是必不可少的知識。我感覺這本書不僅教會瞭我如何“量化”投資，更教會瞭我如何“理性”投資。它讓我看到瞭量化投資的無限可能，也激發瞭我不斷學習和探索的欲望。