量化交易之路 用Python做股票量化分析 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

阿布 著

图书标签:

• 量化交易
• Python
• 股票
• 金融
• 投资
• 量化分析
• 数据分析
• 编程
• 实战
• 策略

出版社： 机械工业出版社

ISBN：9787111575214

版次：1

商品编码：12173437

品牌：机工出版

包装：平装

开本：16开

出版时间：2017-09-01

用纸：胶版纸

页数：393

编辑推荐

作者在百度互联网证券、百度金融等互联网金融公司多年从业经验的总结；

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；

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；

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；

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；

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；

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。

内容简介

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。

本书共11章，分为4部分。第1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。

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，建议读者有一定的编程基础。

一分钟了解本书内容精华：

量化引言

量化语言——Python

量化工具——NumPy

量化工具——pandas

量化工具——可视化

量化工具——数学

量化系统——入门

量化系统——开发

量化系统——度量与优化

量化系统——机器学习?猪老三

量化系统——机器学习?abu

量化环境部署

量化相关性分析

量化统计分析及指标应用

作者简介

阿布

曾就职于奇虎360、百度互联网证券、百度金融等互联网型金融公司。有近10年的互联网金融技术从业经验。现作为自由职业者，从事个人量化交易及量化交易的培训工作。擅长中小资金量化交易系统的开发，并为中小型量化私募资金提供技术解决方案与支持。

目录

前言

第1部分 对量化交易的正确认识

第1章 量化引言 2

1.1 什么是量化交易 2

1.2 量化交易：投资？投机？赌博？ 3

1.3 量化交易的优势 4

1.4 量化交易的正确认识 8

1.5 量化交易的目的 11

第2部分 量化交易的基础

第2章 量化语言——Python 14

2.1 基础语法与数据结构 15

2.2 函数 20

2.3 面向对象 25

2.4 性能效率 38

2.5 代码调试 45

2.6 本章小结 48

第3章 量化工具——NumPy 49

3.1 并行化思想与基础操作 49

3.2 基础统计概念与函数使用 57

3.3 正态分布 62

3.4 伯努利分布 66

3.5 本章小结 71

第4章 量化工具——pandas 72

4.1 基本操作方法 72

4.2 基本数据分析示例 78

4.3 实例1：寻找股票异动涨跌幅阀值 87

4.4 实例2：星期几是这个股票的“好日子” 91

4.5 实例3：跳空缺口 95

4.6 pandas三维面板的使用 98

4.7 本章小结 101

第5章 量化工具——可视化 102

5.1 使用Matplotlib可视化数据 102

5.2 使用Bokeh交互可视化 106

5.3 使用pandas可视化数据 107

5.4 使用Seaborn可视化数据 112

5.5 实例1：可视化量化策略的交易区间及卖出原因 115

5.6 实例2：标准化两个股票的观察周期 120

5.7 实例3：黄金分割线 124

5.8 技术指标的可视化 130

5.9 本章小结 133

第6章 量化工具——数学 134

6.1 回归与插值 134

6.2 蒙特卡罗方法与凸优化 139

6.3 线性代数 159

6.4 本章小结 168

第3部分 量化交易系统的开发

第7章 量化系统——入门 170

7.1 趋势跟踪与均值回复 170

7.2 仓位控制管理 188

7.3 本章小结 202

第8章 量化系统——开发 203

8.1 abu量化系统择时 204

8.2 abu量化系统选股 234

8.3 本章小结 242

第9章 量化系统——度量与优化 243

9.1 度量的基本使用方法 243

9.2 度量的基础 247

9.3 基于Grid Search寻找因子最优参数 253

9.4 资金限制对度量的影响 266

9.5 输入中文自动生成交易策略 272

9.6 本章小结 276

第4部分 机器学习在量化交易中的实战

第10章 量化系统——机器学习?猪老三 278

10.1 机器学习基础概念 278

10.2 猪老三世界中的量化环境 282

10.3 有监督机器学习 286

10.4 无监督机器学习 299

10.5 梦醒时分 303

10.6 本章小结 317

第11章 量化系统——机器学习?abu 318

11.1 搜索引擎与量化交易 319

11.2 主裁 321

11.3 边裁 351

11.4 一定要赢得这场胜利，即使一切都不存在 360

11.5 本章小结 361

附录A 量化环境部署 362

附录B 量化相关性分析 381

附录C 量化统计分析及指标应用 388

前言/序言

随着互联网技术的不断发展，许多传统行业（包括传统金融行业）也在不断地改变着自己的工作模式和流程，并且希望借助互联网技术得到进一步的发展。在金融行业中，股票及其他交易类型衍生品，如期权、期货交易无疑是最早受到冲击从而发生改变的。从算法交易之父托马斯·彼得菲，到如今依然活跃异常的量化投资之王西蒙斯，他们是最早的一批量化交易受益者，也是为整个金融行业指明方向的引导者。据统计，近年来自动化交易占据了美国股票市场60%以上的成交量。

量化交易从一开始出现就仿佛戴着神秘的面纱，特别是对于普通的投资交易者。有些人认为它就是像炼金术一样的存在，有了它就能躺着挣钱了。当然也有些人认为它完全不靠谱。笔者研究量化交易多年，而且参与了大量的量化交易实战，从中积累了大量的心得体会，所以萌生了编写一本量化交易图书的想法，为读者揭开量化交易的神秘面纱。

本书分为4个部分来讲解量化交易的相关知识。

第1部分（第1章）着重讲解了投资者对量化交易的正确认识。

第2部分（第2～6章）主要讲解了量化交易需要的基础知识及相关工具，如Python语言、NumPy、pandas、数据可视化及量化数学等知识，适合完全没有任何编程经验的读者从头开始阅读。书中每一章的示例也尽量穿插股票及其他衍生交易产品的投资知识和交易技巧，尽量为读者建立一套独有的知识体系结构，为读者在交易技术与量化技术之间搭建牢固的基础纽带。

第3部分（第7～9章）着重讲解了使用量化系统回测交易策略及交易的度量等实战知识。对于有进阶需求的读者，则完整地讲解了整套量化回测系统择时、选股开发的关键点及滑点和资金管理的核心知识，以及更有针对策略地寻找最优参数及最优度量等知识。

第4部分（第10、11章）主要讲解了机器学习技术在量化交易中的应用。该部分内容从机器学习实战出发，同样适合大多数没有深厚数学基础的读者阅读，着重阐述了基于机器学习技术对交易进行预测的不可行性，以及正确的使用方式，即使用机器学习技术进行统计预言的概率。

附录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内容。

特别需要提及的是，为了突出重点知识，减轻读者的阅读压力，本书在编写过程中通过故事的形式来讲解关键知识点。例如：

l 通过“6.2.1节你一生的追求到底能带来多少幸福”的故事，重点讲解了最优问题的计算；

l 通过“7.2.3节三只小猪股票投资的故事”，重点讲解了仓位控制管理的重要性；

l 通过“第10章 机器学习?猪老三”的故事，重点讲解了机器学习知识与工程上的使用问题。

适合阅读本书的读者及建议如下：

l 有交易经验、对量化交易感兴趣、无任何编程经验的读者，需要多关注基础章节，加深对编程语言的理解及工具的使用；

l 有任何一门编程语言基础、无交易经验、对量化交易感兴趣的读者，需要多关注书中讲解的关于交易的知识及正确的交易认识；

l 有交易经验、有编程经验、对量化交易感兴趣的读者，需要多关注量化交易在交易技术和编程技术上的衔接点及书中的具体实例；

l 对量化交易本身不感兴趣，但对数据处理、机器学习技术感兴趣的读者，需要多关注技术基础章节和机器学习章节的内容。

感谢机械工业出版社华章公司提供机会让我能编写本书！本书的完成同样需要感谢我的几位朋友：吴汶（老虎美股）、刘兆丹（百度金融）、胥嘉幸（百度糯米大数据），感谢你们在本书的编写过程中提供的帮助！在此还需要特别感谢本书编辑对我的帮助，不辞辛苦地晚上十二点还在和我沟通排版等细节问题。

编著者

《量化交易之路：用Python进行金融市场洞察与策略构建》 一、本书定位与目标读者 本书旨在为那些渴望利用现代编程工具——特别是Python语言——深入理解金融市场运作规律，并构建、回测及优化量化交易策略的专业人士和进阶爱好者提供一份全面而实用的指南。我们聚焦于将复杂的金融理论、统计学方法与高效的工程实现相结合，使读者能够跨越理论与实践之间的鸿沟。 本书并非一本零基础的Python入门教程，也非纯粹的金融理论教科书。它精确地定位于中高级量化分析学习者：那些已经掌握Python基础语法，对金融市场有一定认知，并迫切希望系统化学习如何用代码驱动决策、发掘市场Alpha的专业人士。这包括金融机构的量化研究员、风险管理人员、算法交易工程师，以及希望提升个人投资效率的独立交易员。 二、核心内容概述与深度解析 本书结构清晰，围绕“数据获取与处理”、“量化因子构建与检验”、“策略模型开发与回测”、“实盘部署与风险控制”四大支柱展开。我们摒弃空泛的理论叙述，强调每一个技术点都必须服务于具体的交易决策。 第一部分：高效数据基础与预处理 现代量化的基石是高质量、多维度的数据。本部分将详细介绍如何高效、稳定地获取和管理金融数据。 多源数据接入与管理： 深入探讨如何通过API接口（例如主流交易所提供的接口、专业数据服务商接口）获取实时和历史的高频（Tick级）数据、日线数据及基本面数据。重点讲解如何设计健壮的数据管道，处理数据延迟、缺失值和异常值。 时间序列数据的高级处理： 介绍Pandas和NumPy在处理金融时间序列时的进阶技巧，如重采样（Resampling）、滑动窗口计算（Rolling Window）、时区对齐与数据对齐。这对于计算技术指标和处理不同频率数据至关重要。 数据清洗与规范化： 详细阐述股票分割、除权除息（XR/XD）对历史价格的影响，以及如何使用Python库进行前复权和后复权处理，确保回测结果的真实性。 第二部分：量化因子——市场洞察的基石 量化交易的本质在于识别并利用系统性的市场异象，这些异象通常被编码为“因子”。 技术分析因子的Python实现： 不仅停留在计算MACD、RSI等经典指标，而是深入讲解如何使用`TA-Lib`或其他自建函数，高效地实现复杂的多周期、多品种技术因子，并探讨如何通过统计检验来评估这些因子的有效性。 基本面与另类因子的挖掘： 探讨如何爬取和结构化财务报告数据，构建基于价值、成长和质量的基本面因子。同时，引入另类数据（如新闻情感分数、供应链数据）的预处理流程，展示如何将非结构化信息转化为可量化的输入。 因子正交化与去冗余： 讲解主成分分析（PCA）和因子旋转技术，以减少因子间的共线性，增强模型解释力和稳定性。 第三部分：策略模型构建与严谨回测框架 本部分是本书的核心，聚焦于如何将因子转化为可执行的交易信号，并进行科学的性能评估。 信号生成与持仓管理： 教授如何利用因子得分进行多因子选股（Ranking/Percentile-based Selection）和线性回归模型（如Fama-French三因子模型在选股中的应用）来确定权重和最终多空头寸。讲解不同调仓频率对策略表现的影响。 专业级回测环境搭建： 详细介绍构建一个向量化（Vectorized）回测引擎的架构，强调其在速度上的优势。随后，过渡到事件驱动（Event-Driven）回测框架的构建，确保能够准确模拟真实交易中的订单簿动态和时间流逝。 绩效评估的深度指标： 突破夏普比率的局限，深入分析信息比率（Information Ratio）、最大回撤（Max Drawdown）、卡尔玛比率（Calmar Ratio）、波动率平滑（Volatility Scaling）等高级风险调整后收益指标，并演示如何用Python库（如`Pyfolio`）生成专业的性能报告。 第四部分：风险控制、优化与实盘准备 一个成功的量化系统必须具备强大的风险管理和对市场波动的适应能力。 投资组合优化技术： 讲解传统的均值-方差优化（Mean-Variance Optimization），并重点介绍其在实际应用中的局限性。随后，引入风险平价（Risk Parity）和基于梯度的优化方法，旨在构建更具韧性的资产配置。 策略稳定性检验与过拟合防御： 系统介绍如何使用样本外测试（Out-of-Sample Testing）、蒙特卡洛模拟（Monte Carlo Simulation）以及滚动回测来检验策略的鲁棒性，识别和规避过度拟合（Overfitting）的陷阱。 延迟与滑点模拟： 在回测中引入真实世界的摩擦成本，包括交易佣金、印花税和预估的执行滑点，确保回测结果与实盘表现尽可能贴近。 从回测到实盘的桥梁： 简要介绍主流的量化交易平台API接口的使用模式，以及如何设计一个轻量级的交易执行模块，实现信号到订单的无缝转换。 三、本书特色与技术栈 本书强调工程实践性，使用的技术栈是金融分析领域的主流标准： 1. 核心语言： Python 3.x 2. 数据处理： Pandas, NumPy, SciPy 3. 金融计算/因子： TA-Lib（或等效实现）, Statsmodels 4. 可视化与报告： Matplotlib, Seaborn, Pyfolio 5. 开发环境： Jupyter Notebook/Lab（用于迭代研究） 通过本书的学习，读者不仅能掌握如何“计算”一个指标，更能理解如何“构建”一个能持续产生价值的量化投资系统。我们提供的代码示例都是可以直接在现代Python环境中运行和扩展的，确保理论与操作的零距离对接。

评分☆☆☆☆☆

我对这本书的期待值，很大程度上源于它所声称的“用Python”这一技术支撑点。在这个技术驱动一切的时代，Python凭借其简洁的语法和极其丰富的科学计算库生态系统，无疑是量化分析领域的首选工具。我期待这本书能够深入挖掘Python在处理高频数据流、进行复杂数学运算以及构建高效回测框架方面的潜力。市面上很多量化书籍要么偏重理论，代码实现敷衍了事，要么就是纯粹的代码堆砌，缺乏对背后金融逻辑的深度剖析。我希望这本书能够找到一个完美的平衡点，既能展现出Python代码的优雅和强大，又能确保每一行代码背后都有坚实的金融学理论支撑。例如，在时间序列分析、因子挖掘这些关键环节，我非常好奇作者是如何利用Pandas、NumPy乃至更高级的机器学习库（如Scikit-learn或TensorFlow）来构建实际可操作的交易信号的。如果这本书能提供一些经过实战检验的、具有前瞻性的编程范例，那它对我的价值将是无可估量的。这不仅仅是学习一门语言或一套工具，更是学习一种用现代技术武装起来的、系统化的投资思维。

评分☆☆☆☆☆

从学习效率的角度来看，一本好的技术类书籍，必须具备极高的“可复制性”和“可调试性”。这意味着，书中提供的所有代码示例都应该是完整、干净、可以直接运行的，并且附带清晰的注释和依赖说明。我非常关注这本书在代码工程化方面做得如何。量化研究往往是一个迭代的过程，从简单的原型验证到复杂的生产级系统，中间需要跨越许多“工程鸿沟”。我希望看到作者分享如何组织项目结构，如何进行模块化设计，以及如何利用版本控制工具（如Git）来管理不同的策略版本和回测结果。如果书中能够提供一套清晰的“起步环境搭建指南”，说明需要安装哪些Python库及其版本要求，那将为初学者节省大量调试环境配置的时间。一个易于上手、代码质量高的范例集，是加速学习曲线的助推器。如果最终我能把书中的模型框架，迅速地迁移到我自己的本地环境中进行修改和扩展，那么这本书的实用价值就达到了最大化。我期待它能成为我工具箱里那把最趁手的瑞士军刀，而不是只能束之高阁的理论圣经。

评分☆☆☆☆☆

作为一个对金融历史和市场哲学抱有一定兴趣的人，我总是希望一本优秀的量化书籍不仅能教我“如何做”，更能启发我思考“为什么”。量化分析的本质，是对市场有效性边界的探索，是对人类非理性行为的数学化捕捉。我期待这本书在讲解具体技术的同时，能穿插一些作者对于市场本质的深刻洞察。比如，在讨论某个经典因子（如价值因子或动量因子）的构建时，作者是否能结合相关的金融理论背景，解释这个因子为何能在特定时期内持续有效？这种理论与实践的深度融合，能帮助读者构建起更稳固的知识框架，而不是仅仅成为一个会敲代码的“执行者”。更进一步说，我希望这本书能引导读者建立起一套批判性思维，不要盲目迷信数据驱动的一切。一个优秀的量化分析师，不仅要能跑出亮眼的夏普比率，更要能解释这个比率背后的逻辑，并清楚地知道在何种市场条件下，这个比率可能会急剧恶化。这本书能否提供这种哲学层面的引导，将决定它在我心中的分量。

评分☆☆☆☆☆

这本书的装帧设计非常精美，封面那种深邃的蓝色调，配合简洁有力的书名字体，一下子就抓住了我的眼球。拿到手里沉甸甸的感觉，就知道内容肯定很扎实。我一直对金融市场抱有浓厚的兴趣，尤其是近些年量化交易的兴起，让人看到了用数据和逻辑颠覆传统交易的可能性。这本书的排版也非常人性化，字体大小适中，行距把握得恰到好处，长时间阅读下来眼睛也不会感到疲劳。更值得称赞的是，作者在章节之间的过渡非常自然流畅，即便是像我这样初入量化领域的读者，也能顺畅地跟上思路，不会感到信息过载。从目录来看，这本书的体系结构搭建得非常完整，似乎是从基础的金融数据处理讲起，逐步深入到复杂的模型构建和实盘策略的回测验证，这种循序渐进的教学方式，对于自学者来说简直是福音。我尤其欣赏作者在细节上的处理，比如对常用金融库的介绍，那种仿佛老朋友般详尽的讲解，让我感觉不是在阅读一本生硬的技术手册，而是在跟随一位经验丰富的导师学习。总而言之，这本书的物理呈现和初步的阅读体验，已经远远超出了我的预期，让人对接下来的学习内容充满期待。

评分☆☆☆☆☆

这本书的视角似乎非常贴近实战，这对我这种渴望从书本知识走向真实市场检验的读者来说，是至关重要的品质。我深知，一个看似完美的理论模型，一旦投入到充满摩擦、滑点和非线性波动的真实市场中，其表现往往会大打折扣。因此，我非常关注书中是否探讨了“健壮性”（Robustness）和“过度拟合”（Overfitting）这两个量化交易中的“阿喀琉斯之踵”。理想情况下，作者应该会花大量篇幅讨论如何设计出能够穿越牛熊、应对市场结构变化的策略。比如，在构建策略时，对于不同市场环境（如趋势市、震荡市）的适应性如何通过代码实现？回测引擎的构建是否考虑了交易成本的精确模拟？此外，风险管理模块的阐述也极其吸引我，毕竟，在金融世界里，活下来比赚得多更为重要。我期待书中能展示一些关于动态仓位管理、止损止盈机制的巧妙实现，这些细节决定了一套量化系统最终的生命力。如果能看到一些作者在面对真实市场挑战时，如何调整和迭代其模型的案例分析，那这本书的价值就提升了一个档次。

评分☆☆☆☆☆

还没读，大致翻了下，应该挺不错的，回头再来追评~

评分☆☆☆☆☆

东西很好，送货速度快！！！！

评分☆☆☆☆☆

使用了一段时间，感觉挺好的。

评分☆☆☆☆☆

一下买了好多书，等看完再评价

评分☆☆☆☆☆

干货不多，主要讲python，量化的内容非常基础。

评分☆☆☆☆☆

这本书不错可以入门

评分☆☆☆☆☆

这本书不错，做量化交易的可以参考一下

评分☆☆☆☆☆

良心之作，实际中使用的代码案例很多

评分☆☆☆☆☆

个人觉得挺不错的，对技术有一定要求，适合有程序背景的来看。