实用量化投资技术及其r实现

1.量化投资—策略与技术的内容简介

《量化投资—策略与技术》是国内第一本有关量化投资策略的著作，首先介绍了量化投资大师西蒙斯的传奇故事（连续20年，每年赚60%）；然后用60多个案例介绍了量化投资的各个方面的内容，主要分为策略篇与理论篇两部分，策略篇主要包括：量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易和资产配置等。理论篇主要包括：人工智能、数据挖掘、小波分析、支持向量机、分形理论、随机过程及it技术等；最后介绍了作者开发的d-alpha量化对冲交易系统，该系统全球市场验证显示具有长期稳健的收益率。

《量化投资—策略与技术》适合基金经理、证券分析师、普通散户及有志于从事金融投资的各界人士阅读。

2.量化投资—策略与技术的作品目录

《量化投资—策略与技术》策略篇第 1章 量化投资概念1.1 什么是量化投资 21.1.1 量化投资定义 21.1.2 量化投资理解误区 31.2 量化投资与传统投资比较 61.2.1 传统投资策略的缺点 61.2.2 量化投资策略的优势 71.2.3 量化投资与传统投资策略的比较 81.3 量化投资历史 101.3.1 量化投资理论发展 101.3.2 海外量化基金的发展 121.3.3 量化投资在中国 151.4 量化投资主要内容 161.5 量化投资主要方法 21.第 2章 量化选股 252.1 多因子 262.1.1 基本概念 272.1.2 策略模型 272.1.3 实证案例：多因子选股模型 302.2 风格轮动 352.2.1 基本概念 352.2.2 盈利预期生命周期模型 382.2.3 策略模型 402.2.4 实证案例：中信标普风格 412.2.5 实证案例：大小盘风格 442.3 行业轮动 472.3.1 基本概念 472.3.2 m2行业轮动策略 502.3.3 市场情绪轮动策略 522.4 资金流 562.4.1 基本概念 562.4.2 策略模型 592.4.3 实证案例：资金流选股策略 602.5 动量反转 632.5.1 基本概念 632.5.2 策略模型 672.5.3 实证案例：动量选股策略和反转选股策略 702.6 一致预期 732.6.1 基本概念 742.6.2 策略模型 762.6.3 实证案例：一致预期模型案例 782.7 趋势追踪 842.7.1 基本概念 842.7.2 策略模型 862.7.3 实证案例：趋势追踪选股模型 922.8 筹码选股 942.8.1 基本概念 952.8.2 策略模型 972.8.3 实证案例：筹码选股模型 992.9 业绩评价 1042.9.1 收益率指标 1042.9.2 风险度指标 105第 3章 量化择时 1113.1 趋势追踪 1123.1.1 基本概念 1123.1.2 传统趋势指标 1133.1.3 自适应均线 1213.2 市场情绪 1253.2.1 基本概念 1263.2.2 情绪指数 1283.2.3 实证案例：情绪指标择时策略 1293.3 有效资金 1333.3.1 基本概念 1333.3.2 策略模型 1343.3.3 实证案例：有效资金择时模型 1373.4 牛熊线 1413.4.1 基本概念 1413.4.2 策略模型 1433.4.3 实证案例：牛熊线择时模型 1443.5 husrt指数 1463.5.1 基本概念 1463.5.2 策略模型 1483.5.3 实证案例 1493.6 支持向量机 1523.6.1 基本概念 1523.6.2 策略模型 1533.6.3 实证案例：svm择时模型 1553.7 swarch模型 1603.7.1 基本概念 1603.7.2 策略模型 1613.7.3 实证案例：swarch模型 1643.8 异常指标 1683.8.1 市场噪声 1683.8.2 行业集中度 1703.8.3 兴登堡凶兆 172第 4章 股指期货套利 1804.1 基本概念 1814.1.1 套利介绍 1814.1.2 套利策略 1834.2 期现套利 1854.2.1 定价模型 1854.2.2 现货指数复制 1864.2.3 正向套利案例 1904.2.4 结算日套利 1924.3 跨期套利 1954.3.1 跨期套利原理 1954.3.2 无套利区间 1964.3.3 跨期套利触发和终止 1974.3.4 实证案例：跨期套利策略 1994.3.5 主要套利机会 2004.4 冲击成本 2034.4.1 主要指标 2044.4.2 实证案例：冲击成本 2054.5 保证金管理 2084.5.1 var方法 2084.5.2 var计算方法 2094.5.3 实证案例 211第 5章 商品期货套利 2145.1 基本概念 2155.1.1 套利的条件 2165.1.2 套利基本模式 2175.1.3 套利准备工作 2195.1.4 常见套利组合 2215.2 期现套利 2255.2.1 基本原理 2255.2.2 操作流程 2265.2.3 增值税风险 2305.3 跨期套利 2315.3.1 套利策略 2315.3.2 实证案例：pvc跨期套利策略 2335.4 跨市场套利 2345.4.1 套利策略 2345.4.2 实证案例：伦铜—沪铜跨市场套利 2355.5 跨品种套利 2365.5.1 套利策略 2375.5.2 实证案例 2385.6 非常状态处理 240第 6章 统计套利 2426.1 基本概念 2436.1.1 统计套利定义 2436.1.2 配对交易 2446.2 配对交易 2476.2.1 协整策略 2476.2.2 主成分策略 2546.2.3 绩效评估 2566.2.4 实证案例：配对交易 2586.3 股指套利 2616.3.1 行业指数套利 2616.3.2 国家指数套利 2636.3.3 洲域指数套利 2646.3.4 全球指数套利 2666.4 融券套利 2676.4.1 股票—融券套利 2676.4.2 可转债—融券套利 2686.4.3 股指期货—融券套利 2696.4.4 封闭式基金—融券套利 2716.5 外汇套利 2726.5.1 利差套利 2736.5.2 货币对套利 275第 7章 期权套利 2777.1 基本概念 2787.1.1 期权介绍 2787.1.2 期权交易 2797.1.3 牛熊证 2807.2 股票/期权套利 2837.2.1 股票—股票期权套利 2837.2.2 股票—指数期权套利 2847.3 转换套利 2857.3.1 转换套利 2857.3.2 反向转换套利 2877.4 跨式套利 2887.4.1 买入跨式套利 2897.4.2 卖出跨式套利 2917.5 宽跨式套利 2937.5.1 买入宽跨式套利 2937.5.2 卖出宽跨式套利 2947.6 蝶式套利 2967.6.1 买入蝶式套利 2967.6.2 卖出蝶式套利 2987.7 飞鹰式套利 2997.7.1 买入飞鹰式套利 3007.7.2 卖出飞鹰式套利 301第 8章 算法交易 3048.1 基本概念 3058.1.1 算法交易定义 3058.1.2 算法交易分类 3068.1.3 算法交易设计 3088.2 被动交易算法 3098.2.1 冲击成本 3108.2.2 等待风险 3128.2.3 常用被动型交易策略 3148.3 vwap算法 3168.3.1 标准vwap算法 3168.3.2 改进型vwap算法 319第 9章 其他策略 3239.1 事件套利 3249.1.1 并购套利策略 3249.1.2 定向增发套利 3259.1.3 套利重仓停牌股票的投资组合 3269.1.4 封闭式投资组合套利 3279.2 etf套利 3289.2.1 基本概念 3289.2.2 无风险套利 3309.2.3 其他套利 3349.3 lof套利 3359.3.1 基本概念 3359.3.2 模型策略 3369.3.3 实证案例：lof 套利 3379.4 高频交易 3419.4.1 流动性回扣交易 3419.4.2 猎物算法交易 3429.4.3 自动做。

3.应聘量化投资工作需要哪些技术

强烈的兴趣

想做好一件事情没有兴趣也只是三天打鱼两天晒网，最后不得而终，因此需要培养对投资形成强烈的兴趣，每根K线的波动能够刺激你的心脏随之不断跳动。

学习能力

量化交易是一门跨学科知识，必须有快速地问题解决能力和自学能力，懂得锲而不舍不断专研的试错法。研究生已经具备了较好的学习能力。

编程

编程很重要，现在Python是标配，matlab、R拿来做量化的人真的不多。虽然不是做开发，但是基本的简单编程知识还是要会。想学Python和Pandas，推荐 Python基础教程 和 《利用Python进行数据分析》，想学编程知识，推荐 《 代码大全 》 ，这本书没有什么代码，不要为名字所迷惑，不过如果想成为编程高手的话，看了绝不后悔。

看书一定要经典，不经典的书简直就是浪费生命，这三本书如果不想买，网上电子版肯定是很多的，话不多说。

量化知识

很多程序员开始转量化，但是金融知识和量化知识不够。经典的重要性在此显得更为重要，编程的书籍不看经典的我也能进步，可能会慢点，但是量化金融知识不看经典的书，那么可能就会南辕北辙，甚至影响到投资的整个生涯，不对，走偏了的话，就无生涯可谈。

投资的基础知识，比如股票债券基础知识，先来看看滋维博迪的 《投资学（原书第9版）》（[美]滋维·博迪（Zvi Bodie）

再来一本干货，很多国内外研究生教程，介绍的更多的是衍生品，约翰赫尔的《期权、期货及其他衍生产品（原书第9版）》（[加]约翰·赫尔（John C.Hull）)

期权这么火，推荐 麦克米伦的《金融期货与期权丛书：期权投资策略（原书第5版）》（[美]劳伦斯 G.麦克米伦（Lawrence G.McMillan）)

想知道公募基金大佬如何做股票？李腾翻译的大作奉上，主动投资组合管理 创造高收益并控制风险的量化投资方法（原书第2版）

想知道私募基金怎么搞交易的？交易中有哪些技巧？以及如何在量化中走弯路？推荐 范撒普的 通向财务自由之路 ，这可不是一本关于财务分析、会计理论的书籍，真正理解了里面的思想，资金管理、风险控制你就不会纠结。

现在中产压力这么大，那么多人有中年职业危机，想知道怎么把交易当做全职？推荐 埃尔德 以交易为生，他可是将自己如何转行交易，并以交易作为自己的终身职业的心历路程和盘托出。

英语

你可以不说英语、听不懂英语，但最好是要看的懂英语，编程的原生环境是英语，quora、stackoverflow、github也是要求英语阅读能力，要是想用机器学习、深度学习做量化，那么多paper\article都是英语，读不懂怎么做的好？本来是谈量化入门，但好像谈到量化进阶了。

交易

没有途径，实战是最好的方法。确实不行，模拟交易也可以。

量化交易以思想为本，工具为用，路子不能走偏。

快速迭代

类似于实验，都是需要成千上万反反复复的检查、测试。在此，讲到了实验的快速开发和迭代，那么就顺便给个传送门：BigQuant - 人工智能量化投资平台 .，人生苦短，一定要快速迭代，缩短策略开发生命周期。因为你的想法上千个，可能只有几个有价值。

4.量化投资—策略与技术的内容简介

《量化投资—策略与技术》是国内第一本有关量化投资策略的著作，首先介绍了量化投资大师西蒙斯的传奇故事（连续20年，每年赚60%）；然后用60多个案例介绍了量化投资的各个方面的内容，主要分为策略篇与理论篇两部分，策略篇主要包括：量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易和资产配置等。理论篇主要包括：人工智能、数据挖掘、小波分析、支持向量机、分形理论、随机过程及it技术等；最后介绍了作者开发的d-alpha量化对冲交易系统，该系统全球市场验证显示具有长期稳健的收益率。

《量化投资—策略与技术》适合基金经理、证券分析师、普通散户及有志于从事金融投资的各界人士阅读。

5.量化投资是什么如何做量化投资

量化投资技术几乎覆盖了投资的全过程，包括量化选股、量化择时、股指期货套利、商品期货套利、统计套利、算法交易，资产配置，风险控制等。

1·量化选股 量化选股就是采用数量的方法判断某个公司是否值得买入的行为。根据某个方法，如果该公司满足了该方法的条件，则放入股票池，如果不满足，则从股票池中剔除。

量化选股的方法有很多种，总的来说，可以分为公司估值法、趋势法和资金法三大类 2·量化择时 股市的可预测性问题与有效市场假说密切相关。如果有效市场理论或有效市场假说成立，股票价格充分反映了所有相关的信息，价格变化服从随机游走，股票价格的预测则毫无意义。

众多的研究发现我国股市的指数收益中，存在经典线性相关之外的非线性相关，从而拒绝了随机游走的假设，指出股价的波动不是完全随机的，它貌似随机、杂乱，但在其复杂表面的背后，却隐藏着确定性的机制，因此存在可预测成分。 3·股指期货 股指期货套利是指利用股指期货市场存在的不合理价格，同时参与股指期货与股票现货市场交易，或者同时进行不同期限，不同（但相近）类别股票指数合约交易，以赚取差价的行为，股指期货套利主要分为期现套利和跨期套利两种。

股指期货套利的研究主要包括现货构建、套利定价、保证金管理、冲击成本、成分股调整等内容。 。

6.量化投资的主要方法和前沿进展

量化投资是通过计算机对金融大数据进行量化分析的基础上产生交易决策机制。

设计金融数学和计算机的知识和技术，主要有人工智能、数据挖掘、小波分析、支持向量机、分形理论和随机过程这几种。1.人工智能人工智能（Artificial Intelligence,AI）是研究使用计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。

人工智能将涉及计算机科学、心理学、哲学和语言学等学科，可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，还要考虑形象思维、灵感思维才能促进人工智能的突破性发展，数学常被认为是多种学科的基础科学，因此人工智能学科也必须借用数学工具。

数学不仅在标准逻辑、模糊数学等范围发挥作用，进入人工智能学科后也能促进其得到更快的发展。金融投资是一项复杂的、综合了各种知识与技术的学科，对智能的要求非常高。

所以人工智能的很多技术可以用于量化投资分析中，包括专家系统、机器学习、神经网络、遗传算法等。2.数据挖掘数据挖掘（Data Mining）是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。

与数据挖掘相近的同义词有数据融合、数据分析和决策支持等。在量化投资中，数据挖掘的主要技术包括关联分析、分类/预测、聚类分析等。

关联分析是研究两个或两个以上变量的取值之间存在某种规律性。例如，研究股票的某些因子发生变化后，对未来一段时间股价之间的关联关系。

关联分为简单关联、时序关联和因果关联。关联分析的目的是找出数据库中隐藏的关联网。

一般用支持度和可信度两个阈值来度量关联规则的相关性，还不断引入兴趣度、相关性等参数，使得所挖掘的规则更符合需求。分类就是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，并用这种描述来构造模型，一般用规则或决策树模式表示。

分类是利用训练数据集通过一定的算法而求得分类规则。分类可被用于规则描述和预测。

预测是利用历史数据找出变化规律，建立模型，并由此模型对未来数据的种类及特征进行预测。预测关心的是精度和不确定性，通常用预测方差来度量。

聚类就是利用数据的相似性判断出数据的聚合程度，使得同一个类别中的数据尽可能相似，不同类别的数据尽可能相异。3.小波分析小波（Wavelet）这一术语，顾名思义，小波就是小的波形。

所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与傅里叶变换相比，小波变换是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号（函数）逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了傅里叶变换的困难问题，成为继傅里叶变换以来在科学方法上的重大突破，因此也有人把小波变换称为数学显微镜。

小波分析在量化投资中的主要作用是进行波形处理。任何投资品种的走势都可以看做是一种波形，其中包含了很多噪音信号。

利用小波分析，可以进行波形的去噪、重构、诊断、识别等，从而实现对未来走势的判断。4.支持向量机支持向量机（Support Vector Machine,SVM）方法是通过一个非线性映射，把样本空间映射到一个高维乃至无穷维的特征空间中（Hilbert空间），使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题，简单地说，就是升维和线性化。

升维就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起维数灾难，因而人们很少问津。但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分（或回归）。

一般的升维都会带来计算的复杂化，SVM方法巧妙地解决了这个难题：应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了维数灾难。这一切要归功于核函数的展开和计算理论。

正因为有这个优势，使得SVM特别适合于进行有关分类和预测问题的处理，这就使得它在量化投资中有了很大的用武之地。5.分形理论被誉为大自然的几何学的分形理论（Fractal），是现代数学的一个新分支，但其本质却是一种新的世界观和方法论。

它与动力系统的混沌理论交叉结合，相辅相成。它承认世界的局部可能在一定条件下，在某一方面（形态、结构、信息、功能、时间、能量等）表现出与整体的相似性，它承认空间维数的变化既可以是离散的也可以是连续的，因而极大地拓展了研究视野。

自相似原则和迭代生成原则是分形理论的重要原则。它表示分。