量化投資：以Python為工具（簡體書）

主要講解量化投資的思想和策略，並借助Python語言進行實戰。由三部分組成：首先，對Python編程語言的介紹，通過學習，讀者可以迅速掌握用Python語言處理資料的方法，靈活運用Python語言解決實際金融問題；其次，向讀者介紹量化投資的理論知識，主要講解量化投資所需的數量基礎與量化投資的類型等方面；最後，將以上兩部分內容結合起來，講述如何在Python語言中構建量化投資策略。

蔡立耑

美國伊利諾伊大學金融碩士，華盛頓大學經濟學碩士、博士。在人工智能、大數據分析、金融創新、量化投資等領域有豐富的實戰經驗。

指導讀者：
迅速掌握用Python語言處理數據的方法；
靈活運用Python解決實際金融問題；
掌握量化投資所需的理論知識；
領會如何在Python語言中構建量化投資策略。

過去十年，一股“量化投資”的熱潮在中國悄然掀起。最近這兩年，投資人對量化的關注更是到達了前所未有的地步。除了業界到處尋找量化團隊以外，各種量化基金如雨後春筍般出現，各個大學校園也開始舉辦一場又一場的量化講座、研討會等。量化投資一時蔚為風行，產官學共襄盛舉。
這麼受人矚目的議題，到底它的內涵是什麼呢？為了了解量化投資這個概念，我們先回顧一下投資分析與決策過程。在投資分析與實戰中，雖然個中滋味如人飲水，個中細節一言難盡，但“投資”大致上會有如下幾個階段：首先，投資人利用各種工具與分析方法，建構模型（系統）來驗證買賣標的、時點、價位等有效性；第二階段則篩選經過分析與驗證得到的結論，實際應用於交易；一個嚴謹的投資人，通常還會有第三階段，即在實際投資的過程中，不斷地修正與完善自已的模型（系統）。
在資訊工具不發達的年代，這些過程往往以質化為主。例如，基金經理人會研究上巿公司財務報表，拜訪公司高層，以經驗判斷技術指標的趨勢與形態，做出投資的買賣決策。這種做法帶有很大的主觀性，因此又被稱為“主觀交易”。主觀交易的流弊，在於決策基礎多源於“大膽假設”而缺乏科學方法“小心求證”的過程。更甚者，行為金融學指出，投資人的行為往往易受各種心理認知謬誤的影響而傷害投資績效。除此之外，在瞬息萬變的金融巿場中，主觀交易者若要處變不驚地堅守操作紀律，同時眼明手快地捕捉稍縱即逝的機會，也常有“力不從心”之嘆。
相較於主觀交易所遭遇的問題，量化投資則在上述投資的各個階段，利用數學、統計、計算機等分析工具來建立模型，據以客觀地分析數據，按事先設定好的投資邏輯來進行投資決策，在理想狀況下自動化執行下單。正因為如此，量化投資擁有可驗證性、紀律性與即時性等許多主觀交易不可企及的優勢。若再善用計算機技術，量化交易者可以處理的資訊量更讓主觀交易者望塵莫及。如此說來，採用量化技術豈非在投資上立於不敗之地？
讀者只要稍加思考即可發現，量化投資的模型很容易因建模者的能力不同而良莠不齊。此外，絕大多數模型的核心思想在於“以史為鍳”；在對歷史數據依賴度高的前提下，一旦遇到新興的金融巿場或歷史不曾出現的事件，量化投資者也只能徒呼負負。既然主觀交易有諸多限制，量化交易又並非萬能，那麼，對投資績效念茲在茲的投資者，究竟該何去何從呢？我們要提醒讀者的是，編程語言、統計、金融、技術指標等量化投資常用的知識只是工具，它們就像武俠小說中的寶劍與武功秘籍，雖然很重要，卻不是笑傲江湖的保證。寶劍鋒從磨礪出，只有勤練武藝，在實戰中積累經驗，才能審時度勢，百戰不殆。
本書旨在對量化投資做廣泛與初步的介紹，希望能引領讀者進入這個引人入勝的學術與實務領域。囿於筆者的學養見識，書中內容或有疏漏謬誤之處，尚祈先進專家能不吝指正。最後，謹以此書表達對熱血投資大眾的獻曝之忱。若讀者需要書中的習題解答、代碼、數據、勘誤補充及量化相關資訊，可發郵件至索取，來信請在郵件標題中寫明書名：《量化投資：以Python為工具》。

第1部分Python入門1
第1章Python簡介與安裝使用2
1．1 Python概述
1．2 Python的安裝
1．2．1下載安裝Python執行文件
1．2．2下載安裝Anaconda
1．2．3多種Python版本並存
1．3 Python的簡單使用
1．4交互對話環境IPython
1．4．1 IPython的安裝
1．4．2 IPython的使用
1．4．3 IPython功能介紹

 

第2章Python代碼的編寫與執行
2．1創建Python腳本文件
2．1．1記事本
2．1．2 Python默認的IDLE環境
2．1．3專門的程序編輯器
2．2執行．py文件
2．2．1 IDLE環境自動執行
2．2．2在控制台cmd中執行
2．2．3在Annaconda Prompt中執行
2．3 Python編程小技巧
2．3．1 Python行
2．3． 2 Python縮進

 

第3章Python對像類型初探23
3．1 Python對象
3．2變量命名規則
3．3數值類型
3．3．1整數
3．3．2浮點數
3．3．3布爾類型
3．3．4複數
3．4字符串
3．5列表
3．6可變與不可變
3．7元組
3．8字典
3．9集合

 

第4章Python集成開發環境：Spyder介紹36
4．1代碼編輯器
4．2代碼執行Console
4．3變量查看與編輯
4．4當前工作路徑與文件管理
4．5幫助文檔與在線幫助
4．6其他功能

 

第5章Python運算符與使用44
5．1常用運算符
5．1．1算術運算符
5．1．2賦值運算符
5．1．3比較運算符
5．1．4邏輯運算符
5．1 ．5身份運算符
5．1．6成員運算符
5．1．7運算符的優先級
5．2具有運算功能的內置函數

 

第6章Python常用語句55
6．1賦值語句
6．1．1賦值含義與簡單賦值
6．1．2多重賦值
6．1．3多元賦值
6．1．4增強賦值
6．2條件語句
6． 3循環語句
6．3．1 for循環
6．3．2 while循環
6．3．3嵌套循環
6．3．4 break、continue等語句

 

第7章函數
7．1函數的定義與調用
7．2函數的參數
7．3匿名函數
7．4作用域

 

第8章面向對象
8．1類
8．2封裝
8．3繼承（Inheritance）

 

第9章Python標準庫與數據操作
9．1模塊、包和庫
9．1．1模塊
9．1．2包
9．1．3庫
9．2 Python標準庫介紹
9．3 Python內置數據類型與操作
9．3．1序列類型數據操作
9．3．1．1 list類型與操作
9．3．1．2 tuple類型與操作
9．3．1．3 range類型與操作
9．3．1．4字符串操作
9．3．2字典類型操作
9．3．3集合操作

 

第10章常用第三方庫：Numpy庫與多維數組
10．1 NumPy庫
10．2創建數組
10．3數組元素索引與切片
10．4數組運算

 

第11章常用第三方庫：Pandas與數據處理
11．1 Series類型數據
11．1．1 Series對象的創建
11．1．2 Series對象的元素提取與切片
11．1．2．1調用方法提取元素
11．1．2．2利用位置或標籤提取元素與切片
11．1．3時間序列
11．2 DataFrame類型數據
11．2．1創建DataFrame對象
11．2．2查看DataFrame對象
11．2．3 DataFrame對象的索引與切片
11．2．4 DataFrame的操作
11．2．5 DataFrame的運算
11．3數據規整化
11．3．1缺失值的處理
11．3．1．1缺失值的判斷
11．3 ．1．2選出不是缺失值的數據
11．3．2缺失值的填充
11．3．3缺失值的選擇刪除
11．3．4刪除重複數據

 

第12章常用第三方庫：Matplotlib庫與數據可視化
12．1 Matplotlib簡介
12．2修改圖像屬性
12．2．1坐標
12．2．1．1更改坐標軸範圍
12．2．1．2設定坐標標籤與顯示角度
12．2．2添加文本
12．2．2．1添加標題
12．2．2．2中文顯示問題
12．2．2．3設定坐標軸標籤
12．2．2．4增加圖形背景grid
12．2．2．5增加圖例
12．2．3多種線條屬性
12．2．3．1線條的類型
12．2．3．2圖形的顏色
12．2．3．3點的形狀類型
12．2．3．4線條寬度
12．3常見圖形的繪製
12．3．1柱狀圖（Bar charts）
12．3．2直方圖
12．3．3餅圖
12．3．4箱線圖
12．4 Figure、Axes對象與多圖繪製
12．4．1 Figure、Axes對象
12．4．2多圖繪製
12．4．2．1多個子圖繪製
12．4．2．2一個圖中多條曲線繪製

 

第2部分統計學基礎
第13章描述性統計
13．1數據類型
13．2圖表
13．2．1頻數分佈表
13．2．2直方圖
13．3數據的位置
13．4數據的離散度

 

第14章隨機變量簡介
14．1概率與概率分佈
14．1．1離散型隨機變量
14．1．2連續型隨機變量
14．2期望值與方差
14．3二項分佈
14．4正態分佈
14 ．5其他連續分佈
14．5．1卡方分佈
14．5．2 t分佈
14．5．3 F分佈
14．6變量的關係
14．6．1聯合概率分佈
14．6．2變量的獨立性
14．6．3變量的相關性
14．6．4上證綜指與深證綜指的相關性分析

 

第15章推斷統計
15．1參數估計
15．1．1點估計
15．1．2區間估計
15．2案例分析
15．3假設檢驗
15．3．1兩類錯誤
15．3．2顯著性水平與p值
15．3．3確定小概率事件
15．4 t檢驗
15．4．1單樣本t檢驗
15．4．2獨立樣本t檢驗
15．4．3配對樣本t統計量的構造

 

第16章方差分析
16．1方差分析之思想
16．2方差分析之原理
16．2．1離差平方和
16．2．2自由度
16．2．3顯著性檢驗
16．3方差分析之Python實現
16．3．1單因素方差分析
16．3．2多因素方差分析
16．3．3析因方差分析

 

第17章回歸分析
17．1一元線性回歸模型
17．1．1一元線性回歸模型
17．1．2最小平方法
17．2模型擬合度
17．3古典假設條件下^_、^ _之統計性質
17．4顯著性檢驗
17．5上證綜指與深證成指的回歸分析與Python實踐
17．5．1 Python擬合回歸函數
17．5．2繪製回歸診斷圖
17．6多元線性回歸模型
17．7多元線性回歸案例分析
17．7．1價格水平對GDP的影響
17．7．2考量自變量共線性因素的新模型

 

第3部分金融理論、投資組合與量化選股
第18章資產收益率和風險
18．1單期與多期簡單收益率
18．1．1單期簡單收益率
18．1．2多期簡單收益率
18．1．3 Python函數計算簡單收益率
18．1．4單期與多期簡單收益率的關係
18．1．5年化收益率
18．1．6考慮股利分紅的簡單收益率
18． 2連續複利收益率
18．2．1多期連續複利收益率
18．2．2單期與多期連續複利收益率的關係
18．3繪製收益圖
18．4資產風險的來源
18．4．1市場風險
18．4．2利率風險
18．4．3匯率風險
18．4．4流動性風險
18．4．5信用風險
18．4．6通貨膨脹風險
18．4．7營運風險
18．5資產風險的測度
18．5．1方差
18．5．2下行風險
18．5．3風險價值
18．5．4期望虧空
18．5．5最大回撤

 

第19章投資組合理論及其拓展
19．1投資組合的收益率與風險
19．2 Markowitz均值-方差模型
19．3 Markowitz模型之Python實現
19．4 Black-Litterman模型

 

第20章資本資產定價模型（CAPM）
20．1資本資產定價模型的核心思想
20．2 CAPM模型的應用
20．3 Python計算單資產CAPM實例
20．4 CAPM模型的評價

 

第21章Fama-French三因子模型
21．1 Fama-French三因子模型的基本思想
21．2三因子模型之Python實現
21．3三因子模型的評價
第4部分時間序列簡介與配對交易317

 

第22章時間序列基本概念318
22．1認識時間序列
22．2 Python中的時間序列數據
22．3選取特定日期的時間序列數據
22．4時間序列數據描述性統計

 

第23章時間序列的基本性質326
23．1自相關性
23．1．1自協方差
23．1．2自相關係數
23．1．3偏自相關係數
23．1．4 acf( )函數與pacf( )函數
23．1．5上證綜指的收益率指數的自相關性判斷
23．2平穩性
23．2．1強平穩
23．2．2弱平穩
23．2．3強平穩與弱平穩的區別
23．3上證綜指的平穩性檢驗
23．3．1觀察時間序列圖
23．3．2觀察序列的自相關圖和偏自相關圖
23．3．3單位根檢驗
23．4白噪聲
23．4．1白噪聲
23．4．2白噪聲檢驗――Ljung-Box檢驗
23．4．3上證綜合指數的白噪聲檢驗

 

第24章時間序列預測
24．1移動平均預測
24．1．1簡單移動平均
24．1．2加權移動平均
24．1．3指數加權移動平均
24．2 ARMA模型預測
24．2．1自回歸模型
24．2．2移動平均模型
24．3自回歸移動平均模型
24．4 ARMA模型的建模過程
24．5 CPI數據的ARMA短期預測
24．5．1序列識別
24．5．2模型識別與估計
24．5．3模型診斷
24．5．4運用模型進行預測
24．6股票收益率的平穩時間序列建模

 

第25章GARCH模型
25．1資產收益率的波動率與ARCH效應
25．2 ARCH模型和GARCH模型
25．2．1 ARCH模型
25．2．2 GARCH模型
25．3 ARCH效應檢驗
25．4 GARCH模型構建

 

第26章配對交易策略
26．1什麼是配對交易
26．2配對交易的思想
26．3配對交易的步驟
26．3．1股票對的選擇
26．3．2配對交易策略的製定
26．4構建PairTrading類
26．5 Python實測配對交易交易策略

 

第5部分技術指標與量化投資
第27章K線圖
27．1 K線圖簡介
27．2 Python繪製上證綜指K線圖
27．3 Python捕捉K線圖的形態
27．3．1 Python捕捉“早晨之星”
27．3．2 Python語言捕捉“烏雲蓋頂”形態

 

第28章動量交易策略
28．1動量概念介紹
28．2動量效應產生的原因
28．3價格動量的計算公式
28．3．1作差法求動量值
28．3．2做除法求動量值
28．4編寫動量函數momentum( )
28．5万科股票2015年走勢及35日動量線
28．6動量交易策略的一般思路

 

第29章RSI相對強弱指標
29．1 RSI基本概念
29．2 Python計算RSI值
29．3 Python編寫rsi( )函數
29．4 RSI天數的差異
29．5 RSI指標判斷股票超買和超賣狀態
29．6 RSI的“黃金交叉”與“死亡交叉”
29．7交通銀行股票RSI指標交易實測
29．7．1 RSI捕捉交通銀行股票買賣點
29．7．2 RSI交易策略執行及回測

 

第30章均線系統策略
30．1簡單移動平均
30．1．1簡單移動平均數
30．1．2簡單移動平均函數
30．1．3期數選擇
30．2加權移動平均
30．2．1加權移動平均數
30．2．2加權移動平均函數
30．3指數加權移動平均
30．3．1指數加權移動平均數
30．4創建movingAverage模組
30．5常用平均方法的比較
30．6中國銀行股價數據與均線分析
30．7均線時間跨度
30．8中國銀行股票均線系統交易
30．8．1簡單移動平均線製定中國銀行股票的買賣點
30．8．2雙均線交叉捕捉中國銀行股票的買賣點
30．9異同移動平均線（MACD）
30．9．1 MACD的求值過程
30．9．2異同均線（MACD）捕捉中國銀行股票的買賣點
30．10多種均線指標綜合運用模擬實測

 

第31章通道突破策略
31．1通道突破簡介
31．2唐奇安通道
31．2．1唐奇安通道刻畫
31．2．2 Python捕捉唐奇安通道突破
31．3布林帶通道
31．4布林帶通道與市場風險
31．5通道突破交易策略的製定
31．5．1一般布林帶上下通道突破策略
31．5．2特殊布林帶通道突破策略

 

第32章隨機指標交易策略
32．1什麼是隨機指標（KDJ）
32．2隨機指標的原理
32．3 KDJ指標的計算公式
32．3．1未成熟隨機指標RSV
32．3．2 K、D指標計算
32．3．3 J指標計算
32．3．4 KDJ指標簡要分析
32．4 KDJ指標的交易策略
32．5 KDJ指標交易實測
32．5．1 KD指標交易策略
32．5．2 KDJ指標交易策略
32．5．3 K線、D線“金叉”與“死叉”

 

第33章量價關係分析
33．1量價關係概述
33．2量價關係分析
33．2．1價漲量增
33．2．2價漲量平
33．2．3價漲量縮
33． 2．4價平量增
33．2．5價平量縮
33．2．6價跌量增
33．2．7價跌量平
33．2．8價跌量縮
33．3不同價格段位的成交量
33．4成交量與均線思想結合製定交易策略

 

第34章OBV指標交易策略524
34．1 OBV指標概念
34．2 OBV指標計算方法
34．3 OBV指標的理論依據
34．4 OBV指標的交易策略制定
34．5 OBV指標交易策略的Python實測
34． 6 OBV指標的應用原則