Python與量化投資：從基礎(chǔ)到實(shí)戰(zhàn)

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 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語句與continue語句 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)庫的連接 124
3.7.1 連接數(shù)據(jù)庫 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 量化投資十問十答 405