量化投资:以Python为工具 封面

量化投资:以Python为工具

评分 3.4
字数
938字
章节数
39
丛书
金融科技丛书
ISBN
9787121305146

标签

内容简介

《量化投资:以Python为工具》是蔡立耑在电子工业出版社出版的金融科技类专著,全书设5个部分、共34章,为620页的16开本,按从编程基础到策略实现的顺序安排内容。第1部分是Python入门,从解释器的安装与Anaconda环境配置、IPython与Spyder的使用讲起,逐步介绍数值、字符串、列表、元组、字典、集合等对象类型,运算符、条件与循环语句、函数与面向对象,再到NumPy多维数组、Pandas数据处理与Matplotlib可视化,帮助读者具备用Python处理金融数据的基本能力。第2部分是统计学基础,覆盖描述性统计、随机变量、推断统计、方差分析与回归分析,为后续模型的阅读与实现提供数量工具。第3部分进入金融理论、投资组合与量化选股,讨论资产收益率与风险的度量、投资组合理论及其拓展、资本资产定价模型(CAPM)以及Fama-French三因子模型,并在Python中完成相应计算。第4部分围绕时间序列与配对交易,讲解时间序列的基本概念、基本性质与预测方法、GARCH模型,以及配对交易策略的构建与检验思路。第5部分落到技术指标与量化投资,涉及K线图、动量交易策略、RSI相对强弱指标、均线系统策略、通道突破策略、随机指标交易策略、量价关系分析和OBV指标交易策略。全书基本写法是:先讲方法和思路,再给出对应的Python代码,让读者能够在同一环境下完成数据处理、模型计算与策略回测,适合作为从编程入门走向量化策略实现的过渡性读物。

编辑推荐

本书是为数不多的、把Python编程、统计学基础和经典金融模型放在同一条主线上的中文量化入门读物,覆盖面较完整:从解释器安装、Anaconda环境配置,到NumPy、Pandas、Matplotlib处理行情数据,再到CAPM、Fama-French三因子、GARCH、配对交易和各类技术指标,读者不必在多本书之间来回切换,就能把理论与代码对应起来。整本书长达620页,结构按照从语言到统计、再到金融与策略的递进顺序展开,每一部分都可单独当作先修知识来补:编程薄弱的人可以从第1部分逐章练手,有金融背景的读者则可以先跳到第3部分之后。书中采用“先讲思路、再给代码”的写法,对理解为什么这样算、而不是只会调用函数,会更有帮助。需要提醒的是,本书成书于2017年,示例所用库版本和数据接口与今天的环境已有差距,读者需要具备调试和迁移代码的能力;另外,本书以经典理论和技术指标为主,不涉及机器学习、高频等更前沿的方向。整体而言,它更适合作为搭建知识框架的第一本中文量化书,而不宜当作可直接投入实盘的策略手册。

适合谁读

适合

  • 已经会一点Python、想系统补齐金融与量化知识框架的学习者
  • 金融、经济、统计专业的学生,需要把课堂模型用代码实现一遍
  • 有股票或期货投资经验、希望了解回测与技术指标逻辑的人
  • 量化团队的新人,用作统一术语与基础方法的内部参考资料

不适合

  • 完全没有编程经验、需要手把手视频教学的人
  • 希望直接拿到可实盘运行策略和交易接口的人
  • 追求最新机器学习、高频交易等前沿方法的研究者
  • 只想看投资故事和结论、不愿阅读公式与代码的人

阅读建议

  1. 建议按5个部分顺序阅读,但第1部分可按自身基础略读,只补薄弱章节。
  2. 每章代码务必自己敲一遍,并在新版Python与Pandas下改通,别只复制示例。
  3. 读完第3、4部分后,用一个指数或个股数据独立复现CAPM、三因子与配对交易。
  4. 技术指标部分注意回测假设,如交易成本、滑点与未来函数,不要照搬结论投入实盘。

出版社简介

电子工业出版社 中国 · 成立于 1982 年

电子工业出版社是一家以电子信息及相关领域为出版特色的综合性出版社。从库内三千余种图书来看,其出版方向覆盖编程设计、人工智能、计算机综合、财经、摄影与社科等门类,既关注技术前沿,也兼顾大众阅读。代表图书包括《因子投资:方法与实践》《x86汇编语言:从实模式到保护模式》《RISC-V开放架构设计之道》《人工智能:语音识别理解与实践》《相控阵雷达技术》《雷达目标特性》及《100个Go语言典型错误》等,多围绕技术方法与工程实践展开。作者资源方面,有石川、李忠、王晓波、大卫·帕特森、安德鲁·沃特曼、余子濠等中外作者。受公开资料所限,暂不展开更多出版特色。

目录

  1. 第1部分 Python入门
  2. 第1章 Python简介与安装使用
  3. 第2章 Python代码的编写与执行
  4. 第3章 Python对象类型初探
  5. 第4章 Python集成开发环境:Spyder介绍
  6. 第5章 Python运算符与使用
  7. 第6章 Python常用语句
  8. 第7章 函数
  9. 第8章 面向对象
  10. 第9章 Python标准库与数据操作
  11. 第10章 常用第三方库:Numpy库与多维数组
  12. 第11章 常用第三方库:Pandas与数据处理
  13. 第12章 常用第三方库:Matplotlib库与数据可视化
  14. 第2部分 统计学基础
  15. 第13章 描述性统计
  16. 第14章 随机变量简介
  17. 第15章 推断统计
  18. 第16章 方差分析
  19. 第17章 回归分析
  20. 第3部分 金融理论、投资组合与量化选股
  21. 第18章 资产收益率和风险
  22. 第19章 投资组合理论及其拓展
  23. 第20章 资本资产定价模型(CAPM)
  24. 第21章 Fama-French三因子模型
  25. 第4部分 时间序列简介与配对交易
  26. 第22章 时间序列基本概念
  27. 第23章 时间序列的基本性质
  28. 第24章 时间序列预测
  29. 第25章 GARCH模型
  30. 第26章 配对交易策略
  31. 第5部分 技术指标与量化投资
  32. 第27章 K线图
  33. 第28章 动量交易策略
  34. 第29章 RSI相对强弱指标
  35. 第30章 均线系统策略
  36. 第31章 通道突破策略
  37. 第32章 随机指标交易策略
  38. 第33章 量价关系分析
  39. 第34章 OBV指标交易策略

常见问题

这本书适合零基础直接读吗?
如果完全没写过代码,会有些吃力:书中第1部分虽然从安装讲起,但节奏较快。建议先补一轮Python基础语法和Pandas入门,再回头按顺序读,效率会明显提高。
需要什么数学基础才能读懂?
正文用到较多的概率统计与线性代数内容,第2部分专门讲描述性统计、推断统计、方差分析和回归。有大学本科统计与高等数学基础即可,遇到公式可结合代码对照理解。
书里的代码现在还能运行吗?
书中示例基于2017年前后的Python生态,如今库版本变化较大,部分代码需要调整才能运行。建议使用Anaconda建立独立环境,对照官方文档修改API与数据接口。
这本书和《Python金融大数据分析》有什么区别?
本书重心在量化投资流程本身,从统计学与资产定价模型讲到配对交易与技术指标策略;后者更偏Python金融数据分析的通用工具与案例,覆盖面广但对策略体系着墨较少,可按需互补。
这本书能直接用来实盘交易吗?
不建议。书中主要讲方法、模型与回测思路,未系统涉及实盘接口、资金管理细节和交易成本建模,回测结果也容易受到参数与样本区间影响,实盘前需另做充分验证。

读者评论

查询本书

本站为索引目录:「全网查询」由您发起、在您的浏览器中运行,所列入口均指向第三方站点,请自行判断可用性。

同类高分