深入淺出Python量化交易實戰（簡體書）

前 言

總有些人，不甘平凡

不管是在上學的時候，還是走向工作崗位之後，大家可能都會遇到這樣的人—他們

從不滿足於平凡的現狀，常常想著如何讓自己的生活變得更好。於是他們比別人花更多的

時間“泡”圖書館、查資料、加班，努力學習，認真思考，總想找到一條讓自己的人生發

生“質變”的路。

有句“雞湯”是這麼說的：上天總會獎勵那些偷偷努力的人。雖說“雞湯”適量“飲

用”就好，不過說真的，就我們目前觀察，努力的人大概率還是能夠提升自己的生活質量的。

不過大家要注意，這裡說的是“大概率”，而不是說“肯定”。因為即使你很努力，但是

努力的方向選得不太好，那很可能會事倍功半。

就像我們這本書的主角—小瓦，她有足夠的動力去改變自己的生活，也為了這個目

標很努力地在學習和思考，但她需要一個很好的努力方向來實現自己的人生目標，而本書

的目的也是要幫助她厘清思路，使她掌握相關的技能。

當然，在培養起興趣，並掌握了基本技能之後，小瓦未來還要再接再厲，勇攀高峰。

常言道，“功夫不負有心人”。相信只要堅持不懈地鉆研，小瓦最終會過上自己想要的生活（小

瓦的名字來源於北歐神話中女武神Valkyria的名字，暗指她未來將會有很高的成就）。

本書會帶給讀者什麼

這裡要強調的是，本書並不是鼓勵大家都去一頭扎進量化交易當中，把它當作實現“一

夜暴富”的捷徑。實際上，本書寫作的初衷是：在股票交易這個門檻較低，且數據相對比

較完善的場景當中，讓讀者可以像小瓦一樣，提高自己的數據分析能力，掌握機器學習技能。

再直白一點地說，如果讀者朋友和小瓦有類似的動機和背景，那本書帶給你的是一種

I

深入淺出Python量化交易實戰

II

思維方式和比較通用的技能：你會更加重視數據在各種業務場景中的重要性；了解如何使

用科學的方式去分析和解決業務問題，如何使用算法在多個維度的數據中找到最有用的信

息，如何使用機器學習和深度學習技術對目標做出預測，以及如何處理文本數據等。

退一步講，即使讀者朋友沒有使用量化交易技術進行投資，依靠上述技能仍然可以獲得

一份不錯的收入（如找一份數據分析師的工作，或者是兼職幫別人做點事情），這樣也算是

“進可攻退可守”的策略了。

本書內容及體系結構

本書以完全沒有量化交易經驗的物件視角，從最基礎的環境搭建開始進行講解，並

直接帶讀者進入多因子、機器學習的時代。本書後半部分更是緊貼國際前沿趨勢，介紹了

NLP技術在量化交易領域的應用，以便讀者參考。

本書更多地採用啟發式的方法，讓讀者朋友能夠跟著相關內容不停思考和嘗試，而不

是簡單地照搬現有策略。

第1章，先是簡單介紹了小瓦的情況，以便讓讀者朋友們更有代入感；緊接著對人類

的交易歷史做了簡明的闡述，主要是為了讓讀者朋友們可以了解交易技術的發展脈絡，對

量化交易的概念有基本的認知；隨後直接帶讀者進入環境配置的環節，並使用真實的股票

數據集進行實驗，讓喜歡實操的讀者對量化交易有一個直觀的感受，並產生興趣。

第2章，通過對小瓦策略的回測，向讀者朋友介紹了回測的基本概念和簡單方法；隨

後簡單介紹了一些歷史上比較經典的交易策略—移動平均策略和海龜策略，並通過簡單

的回測讓讀者朋友對這兩種策略的收益情況有一個大致的了解。

第3章，就開始讓讀者朋友們和小瓦一起接觸機器學習的概念了。本章先是用通俗易

懂的例子講解了有監督學習和無監督學習的概念；然後對機器學習中的分類和回歸進行了

闡述；隨後用真實的股票數據訓練了一個簡單的KNN模型，並基於KNN模型編寫了簡單

的交易策略，最後對這個策略進行了簡單的回測。

第4章，為了能夠讓小瓦和讀者朋友們更加專注於策略的編寫和回測，我們挑選了一個

第三方量化交易平臺，並基於該平臺的研究環境，講解了如何獲取股票的概況數據、財務數

據、股東數據、主力資金流入/流出數據等。從本章開始，本書附帶的代碼，需要在該平臺上

運行。

第5章，開始介紹時下流行的因子。為了給讀者朋友帶來更多啟發，我們讓小瓦發動

前言

III

自己的聰明才智設計了一個專屬於自己的“瓦氏因子”，並借此向讀者朋友展示了因子的

基本原理；隨後使用代碼，通過第三方量化交易平臺獲取了股票的市值因子、現金流因子、

凈利率因子等；最後別出心裁地使用了無監督學習的主成分分析（PCA）算法，把上述一

些因子進行了“打包”，並借此進行了選股的實驗。

第6章，介紹了對因子進行分析的方法。這裡我們建立了一個實驗用的投資組合，並

以“成交量的5日指數移動平均”因子為例，介紹了如何對因子進行收益分析、因子的IC

分析，以及因子換手率、因子相關性和因子預測能力的分析，以便讓讀者朋友對因子的評

價方法有基本的了解，並可以掌握相關的方法。

第7章，開始將機器學習與多因子進行結合。介紹了機器學習中的線性模型算法，包

括最基礎的線性回歸算法和使用正則化的嶺回歸算法，並使用實驗數據集對兩種算法進行

了對比；緊接著使用了多個因子與線性模型結合，編寫了策略；最後使用了第三方量化交

易平臺的回測功能對策略進行了回測，在這個過程中，讀者朋友也可以掌握回測涉及的相

關指標。

第8章，將機器學習算法與多因子的結合更進一步。本章不僅僅介紹了決策樹與隨機

森林算法，更是使用了決策樹的判斷特徵重要性的功能對若干個因子的重要性進行了計算；

隨後，我們使用了決策樹“認為”比較重要的因子，結合隨機森林算法編寫了交易策略；

同樣地，也再次對策略進行了回測。

第9章，將近年來普遍在量化交易中表現比較好的支持向量機（SVM）帶到讀者面前。

本章從基本的原理開始介紹，之後提出了動態因子選擇策略—每次運行程序都使用決策樹

算法選擇重要性最高的因子，再用其來訓練支持向量機模型，並形成策略和進行回測。可以

說，到這一章，讀者朋友們可以對傳統機器學習算法在量化交易領域的應用有了初步的掌握。

第10章，會讓小瓦和讀者朋友一起，進入一個更新的世界—開始探討更加前沿的嘗

試：將自然語言處理技術應用於量化交易當中。本章先介紹了國際上一些知名機構在自然

語言處理和量化交易方向的一些成果，隨後使用真實的新聞文本數據，介紹了中文的分詞

方法及應用，為後面的章節打下基礎。

第11章在第10章的基礎上，讓小瓦和讀者朋友一起學習文本向量化方法，並使用潛

狄利克雷分布（LDA）進行話題建模技術的學習。通過本章的學習，小瓦將能夠掌握如何

使用機器學習算法，從大量文本中快速獲取話題。

第12章，開始讓小瓦和讀者朋友一起，進行文本數據情感分析的實驗。在本章中，我

們還會繼續使用到文本向量化方法；之後使用了在文本分類中非常常用的樸素貝葉斯算法。

深入淺出Python量化交易實戰

在完成本章的學習之後，讀者朋友將會和小瓦一樣，掌握文本分類的基本方法。

第13章，我們讓小瓦開始接觸神經網絡算法。作為近幾年大熱的人工智能算法，神經

網絡不論是在圖像識別方面還是在文本分類方面，都有廣泛的應用。本章主要向小瓦和讀

者朋友介紹對用戶非常友好的深度學習框架—Keras，並介紹如何使用Keras內置的工具

對文本數據進行處理；隨後使用Keras搭建了多層感知機（全連接層）神經網絡，對文本

的情緒進行分類實驗。

第14章，在小瓦已經掌握多層感知機的基礎上，我們進一步介紹了卷積神經網絡和長

短期記憶網絡的原理，並基於文本分類任務，分別訓練了卷積神經網絡和長短期記憶網絡。

經過本章的學習之後，小瓦和讀者朋友可以掌握卷積神經網絡和長短期記憶網絡的原理和

基本的訓練方法。

第15章，提出了一些問題，並對小瓦未來學習和研究的方向給出了一些建議，也給讀

者朋友提供了一些參考。

本 書 特 色

1.視角獨特，讓讀者能夠有較強的代入感

本書以一個女大學生的故事作為開篇，將她的動機和基礎條件列出—想要改善自己

的生活狀態，並且有一些Python基礎，對於量化交易只是聽說過，但從來沒有接觸過。因

此本書站在她的角度，內容安排由淺入深，層層遞進，讓讀者能夠輕鬆入門，不會覺得難

於上手。

2.內容新穎，核心內容單刀直入

本書沒有花篇幅去講解Python基礎語法、數據類型等基礎知識（因為市面上此類的書

籍已經很多），而是本著實用性原則，給讀者朋友呈現的都是核心內容，文字與代碼精練，

讀者朋友容易上手。

3.緊跟國際潮流，給讀者更前沿的視野

本書的另一特點是，對傳統的交易策略一帶而過。作者重點對目前國內外熱門的機器

學習算法相關應用進行了系統的闡述。對於國際上先進的自然語言處理技術和神經網絡的

應用，作者更是不吝筆墨，為讀者朋友做了系統的介紹。這樣做的目的是讓讀者朋友能夠

了解國際上更加前沿的做法，並給讀者朋友留下思考和探索的空間，能夠讓讀者朋友在入

門之後，有進一步努力的方向。

前言

本書讀者物件

●

學習Python，但沒找到應用場景的朋友；

●

對股票投資感興趣，想嘗試量化交易的朋友；

●

有意向進入投資機構，成為一名量化基金經理的朋友；

●

平時工作不是很忙，打算做點副業的朋友。

由於作者水平有限，本書難免會有疏漏之處，歡迎各位讀者朋友指正。

作 者