Python 量化投資：技術、模型與策略

購買商店

Python 量化投資：技術、模型與策略

$474.00

馬上購買

內容描述

《Python量化投資：技術、模型與策略》基於大量真實的實踐應用案例和場景，
介紹了Python在量化投資各個環節的應用。
作者結合自己在量化投資中的項目經驗，用通俗易懂的語言和生動的案例，
圍繞量化投資中的概念、思路、方法與應用，幫助讀者深刻領會
“Python的膠水語言能力使其在量化投資生產線的各個環節幾乎都能勝任”。
《Python量化投資：技術、模型與策略》共17章，
第1-9章系統介紹了量化投資中的基礎概念，包括數據處理、Pandas的使用、
統計方法、資產定價等，同時提供Python實例代碼進行解釋，
方便讀者在釐清基本概念的同時，能上手嘗試簡單的Python代碼，
為後面更複雜的量化體系打好基礎；
第10-17章從實戰的角度介紹了量化投資中的具體應用，
包括數據來源、CTA策略、多因子策略、策略回測、資金分配等。
《Python量化投資：技術、模型與策略》從實戰的角度出發，
採用優秀的開源框架來完成各個功能模塊，
並且對各個模塊背後的基本原理進行了詳細講解，相信能方便讀者理解和開發。
　　
《Python量化投資：技術、模型與策略》的主要內容和特色：
案例上手容易，使用簡單的Python代碼來闡釋量化投資概念，
讀者能在釐清量化投資基本概念的同時，迅速上手並基於簡單的代碼模板寫出自己的代碼。
　　
理論覆蓋面廣，包括了金融基礎概念、數據預處理、衍生品定價、
統計應用、回測平台等實戰中都可能用到的內容，方便讀者對Python量化投資全景圖有一個良好的把握。
　　
內容實戰性強，詳解真實業務場景中交易常用的Python工具，
比如Wind數據接口、單因子分析框架alphalens、實盤交易框架vn.py等，
讓讀者理解真實場景中如何利用Python生態迅速構建自己的量化投資生產線。

目錄大綱

推薦序一
推薦序二
推薦序三
前言
第1章量化投資與Python簡介
1．1量化投資基本概念
1．2量化投資的特徵
1．3量化投資的優勢
1．4量化、AI並不是一切
1． 5編程語言比較
1．5．1 Matlab
1．5．2 R
1．5．3 C++
1．5．4 Python
1．5．5其他語言
1．6為什麼要使用Python
1．7 Python構建量化投資生產線
第2章平台搭建和工具
2．1需要考慮的問題
2．2編程環境搭建流程
2．2．1其他庫的安裝
2．2．2四種集成開發環境（IDE）介紹
第3章Python金融分析常用庫介紹
3．1 NumPy
3．1．1創建多維數組
3．1．2選取數組元素
3．2 SCiPy
3．3 Pandas
3．3．1 DataFrame入門
3．3．2 Series
3．4 Stats Models
第4章可視化分析
4．1 Matplotlib
4．1．1散點圖
4．1．2直方圖
4．1．3函數圖
4．1．4 Matplotlib和seabom的中文亂碼問題
4．2 seaborn
4．3 python-highcharts
第5章統計基礎
5．1基本統計概念
5．1．1隨機數和分佈
5 ．1．2隨機數種子
5．1．3相關係數
5．1．4基本統計量
5．1．5頻率分佈直方圖
5．2連續隨機變量分佈
5．2．1分佈的基本特徵
5．2 ．2衍生特徵
5．3回歸分析
5．3．1最小二乘法
5．3．2假設檢驗
第6章數據預處理和初步探索
6．1數據清理
6．1．1可能的問題
6．1． 2缺失值
6．1．3噪聲或者離群點
6．1．4數據不一致
6．2描述性統計
6．2．1中心趨勢度量
6．2．2數據散佈度量
6．3描述性統計的可視化分析
6．3．1直方圖
6．3．2散點圖
6．3．3盒圖
第7章Pandas進階與實戰
7．1多重索引
7．2數據周期變換
……
第8章金融基礎概念
第9章資產定價入門
第10章金融時間序列分析
第11章數據源和數據庫
第12章CTA策略
第13章策略回測
第14章多因子風險模型
第15章資金分配
第16章實盤交易和vn．py框架
第17章Python與Excel交互
後記

作者介紹

趙志強
金融量化與建模專家，目前在金融科技公司負責金融大數據產品工作，
專注於研究Al在金融領域的落地應用。
曾在由諾獎得主Robert Engle領導的上海紐約大學波動研究所研究全球金融風險，
並和上交所、中金所合作完成多項科研項目。
曾在摩根士丹利華鑫基金、明汯投資負責量化投資研究工作，
內容包括股票多因子、期貨CTA和高頻交易等。
　　
　　
劉志偉
在中國銀聯雲閃付事業部從事數據分析、數據挖掘等工作。
對自然語言處理、文本分類、實體識別、關係抽取、
傳統機器學習，以及大數據技術棧均有實踐經驗。
目前正在探索相關技術在金融場景內的落地應用，
包括自動知識圖譜、大規模文本信息抽取結構化、
異常識別等領域，關注人工智能行業前沿技術發展。