AI時代錢滾錢：量化自動交易躺著賺

【本書特色】
★超額 α 實證、AOA資產配置法
★量化思想、量化實踐、Spearman 相關度
★量化方法、量化策略、多因數投資
★網格交易、風險平價策略
★風險控制、凱利公式
★交易資訊系統外接
★遺傳演算法在黃金投資中的應用
★大規模神經網路及股票非量價複合策略
★小波分析及金融工程多維度應用
★量化最新科技介紹與探索

【書籍內容】
本書主要探討AI量化投資的技術與方法，涵蓋多個重要主題。
首先，書中介紹了如何通過JDBC驅動連接MySQL資料庫，並詳細說明了資料庫的操作過程，包括查詢和更新資料的基本步驟。接著，作者利用JMatLink套裝程式進行混合程式設計，並通過蒙地卡羅模擬來求解z值，展示了數學方程式的應用。書中還推導了Spearman相關度與Pearson相關度的共生關係，從風險結構的角度進行分析，提出了風險平價的原始模型、常規模型、增強模型和槓桿模型等四類數學模型，層層遞進，邏輯清晰。此外，凱利公式的電腦動態模擬也被納入討論，這是量化投資行業實現自動化交易的基礎。
書中還分析了超額收益案例的因式分解，並提供因數與因數群結構的示意圖，明確區分AI量化投資與傳統量化投資的本質差異。高頻交易和時間極限微分收益率的概念也被深入探討，並引入灰色連結度矩陣來分析宏觀經濟因數。資產向量圖和雲滴模擬基金的風格漂移等內容，進一步豐富了理論框架。針對網格交易的原理，書中以中國滬深300指數為例進行解釋，並對資產組合的收益進行因式分解，揭示了現代金融投資的風控理論系統，旨在解決在已知勝率和賠率的情況下，如何合理配置資金的問題。最後，基於連線券商系統的角度，書中提供了實用的介紹，為讀者在量化投資領域的實踐提供了指導。
整體而言，本書不僅涵蓋了量化投資的理論基礎，還提供了豐富的實證案例和應用實踐，對於希望深入了解AI量化投資的讀者具有重要的參考價值。

李必文
在金融機構從業7年以上，位居管理層；隨後從事高科技實體產業，2021年期間在晶片半導體大廠戰略管理部任職；略懂數學、金融學和電腦技術。

前言
這是一本主要講AI 量化投資的書，與常規量化投資書籍有本質不同。
懷著滿滿的誠意，AI 技術與金融投資相互契合是本書希望表現的特色。比如第8 章濃墨重彩地描述了作者在AI 技術理論上的突破，技術深度和難度極大，且多數是獨創技術理論；第9 章主要介紹小波在金融領域的應用，尚屬探索階段，這章所列舉的三個金融案例，具有啟發性和探索性的雙重價值。本書有以下幾個特點。
(1) 閱讀體驗。按照數學建模的想法和步驟，本書對每個符號的講解、每個公式的推導儘量深入淺出，推導方法力求別具一格。作者還做了一張表格，對每一章內容的技術難度做了難度係數的評級，用★表示，★數量越多表示對應內容的技術難度越大。所以，讀者朋友們可以按照本書的章節順序依次閱讀，還可以根據每一章的難度係數跳躍式閱讀，按由淺及深的方式閱讀本書，也是沒有太大問題的。作者在創作本書的過程中，已經考慮到讀者的閱讀體驗。
(2) 系統化。量化思想、量化實踐、量化方法、量化策略、風險控制，訊息交易系統接入共同組成了量化系統，再由量化投資系統過渡到AI 量化投資系統，循序漸進，娓娓道來。
(3) 創造性。用鯊魚獵腥的方法類比類神經網路的訓練過程，用小波分析的方法去辨識資本證券炒作的市場特徵，而且不管炒作程度多高，都能基於小波多尺度分辨的技術把市場炒作訊號潷出來。此外，本書更有大量延伸數學模型的創造。
(4) 穩定性。雖然資本市場是不斷演變的，具有很強的時效性，但作者對AI算法研究了十幾年，發現演算法底層理論進步空間極小；有所不同的是，新的應用場景和大算力平臺層出不窮，所以本書遴選的大部分實證案例，盡可能規避時效性的限制，刻意摒棄了時效性強的案例，偏重底層邏輯的闡述，致力於在「AI 量化投資」領域對不變量的挖掘，而非追求對新技術、新概念、新場景的探索。
(5) 原創深度。除了極其少數的內容參考了少量文獻，本書絕大多數內容皆是原創，讓讀者少了一份似曾相識或雷同的感受，比如第10 章裡面的「LZ 證券能量守恆定理」，市面上其他著作鮮有與之相似或相同的內容，作者原創性地舉出該定理的金融公式，並用實證案例進行了檢驗。本書幾乎沒有基礎性的量化、AI 知識，作者努力追求全書內容都是硬核心乾貨。此外，作者在寫作本書的過程中，在保證描述精準的前提下，努力摒棄那些刻板、索然無味的文字，字裡行間透射出靈動鮮活的魅力，讓文字活潑而有張力。
(6) 可視化。本書大量採用了電腦繪製的圖形影像，比如基於雲滴智慧技術觀測主動管理型基金的風格漂移，凱利公式風控模型的電腦模擬，等等。
(7) 交叉融合。作者推崇不同學科、不同領域知識與實踐的融會貫通，即使是表面上看起來風馬牛不相及的領域，比如本書裡面的「7.5.2 遺傳演算法與佛洛伊德夢的解析法」「10.3 最速降線：股票利空出盡的快速途徑」，等等。嚴謹的物理學中有很多偉大的發現，前期都是靠猜的，那麼，證券投資領域為何就不能「天馬行空」 地舉一反三呢？ 因為兩者的內在機制確實是一致的。
AI 量化投資技術高深，但不是說，金融或AI 博士學位是投資盈利的必要條件。事實上，投資圈存在大量高學歷但是投資業績很一般的基金經理或無指引價值的研究員。古人云：三人行必有我師；又云：世事洞明皆學問，人情練達即文章。缺乏投資和AI 知識的普通投資者，或許亦能敏銳地捕捉到更加有效的「情緒因數」。知識儲備程度、時效性程度、靈活應用程度三者基於乘法原則，共同決定了投資回報率，所以縱觀本書的敘述結構，是相當開放的，表現了與各位讀者探討的誠意— 沒有絕對的專業，亦沒有絕對的權威。
限於篇幅，本書內容不一定面面俱到；限於作者水準，雖竭盡全力，但是AI 量化投資需要的知識實在是太浩瀚了，書中難免存在錯誤和紕漏，敬請讀者朋友們不吝指正、勘誤。回饋電子郵件：wkservice@vip.163. com。

▌上篇 量化系統
第一章 量化思想
1.1 超額 α 實證案例
1.1.1 定量建構三級基金池
1.1.2 透過「AOA」分析法進行大類資產配置
1.1.3 檢驗正交( 獨立) 的多筆投資回報流
1.1.4 組建風險收益模型
1.1.5 模型延伸：透過JDBC 驅動連接MySQL 介面
1.2 萬物皆是演算法
1.2.1 生物學的演算法屬性
1.2.2 機器學習演算法與數學機械化概述
1.3 什麼是量化投資
1.3.1 量化戰勝市場
1.3.2 主觀投資與量化投資
1.3.3 全球證券投資的上升策略
1.3.4 經典多因數量化三要素
1.3.5 多因數投資拓撲結構
1.3.6 算力與tick 顆粒度
1.3.7 演算法暴力會人為造成伺服器「燃料」短缺
1.3.8 量化策略能盈利的底層邏輯
1.4 什麼是 AI 量化投資
1.4.1 AI 量化投資與量化投資的本質區別
1.4.2 收益與高流動性顯著相關
1.5 AI 用於投資策略的三項前提條件

第二章 量化實踐
2.1 定量設計現金管理方案
2.2 基金科學定投
2.2.1 蒙地卡羅模擬的原理
2.2.2 誤差分析
2.2.3 定投鈍化
2.3 時間解析度為何深度影響投資收益率
2.3.1 時間解析度
2.3.2 投資時間顆粒度與複利理論最大值

第三章 量化方法
3.1 線性相關度
3.1.1 計算方法
3.1.2 用於巨觀經濟因數
3.1.3 建構不相關投資回報流
3.1.4 線性相關度延伸：Spearman 相關度
3.2 灰色相關矩陣灰色相關矩陣
3.2.1 股票走勢的灰色性
3.2.2 灰色連結度計算方法
3.2.3 用於巨觀經濟因數
3.3 多因數投資
3.3.1 因數暴露、因數溢價、因數模型、資產向量圖
3.3.2 建構多因數投資向量通式
3.3.3 單因數溢價
3.3.4 雙因數溢價
3.3.5 因數檢驗
3.3.6 多因數分析的主觀性
3.4 雲端模型，不確定性的 AI
3.4.1 「雲滴」的隨機性與模糊性
3.4.2 雲滴模擬基金的風格漂移
3.5 貝氏判別法，先驗機率的 AI
3.5.1 後驗機率
3.5.2 判別股票的動量反轉
3.6 K-means 聚類法
3.6.1 數學原理
3.6.2 中證1000 成分股量價因數聚類
3.6.3 A 股全指個股量價因數聚類
3.7 行為金融交易法
3.7.1 前景理論
3.7.2 面向未來
3.7.3 資訊交易者與雜訊交易者

第四章 量化策略
4.1 量化投資流程與策略分類
4.1.1 策略實現流程
4.1.2 量化策略分類
4.2 指數增強策略
4.3 對沖中性策略
4.3.1 策略原理
4.3.2 期貨升貼水
4.3.3 ETF 對沖概述
4.4 網格交易策略
4.4.1 網格交易原理
4.4.2 滬深300 實證案例
4.4.3 策略缺點與最佳化
4.5 風險平價策略
4.5.1 原始模型
4.5.2 常規模型
4.5.3 模型求解
4.5.4 增強模型
4.5.5 槓桿模型
4.6 CTA 策略
4.7 量化策略的趨勢

第五章 風險控制繞不開凱利公式
5.1 普適的凱利公式
5.2 勝率和賠率決定冒險投資的倉位
5.3 公式推導
5.4 電腦動態模擬
5.5 凱利投資準則

第六章 交易資訊系統外接
6.1 連線門檻
6.2 系統外接 IT 架構

▌下篇 AI 方法及投資策略
第七章 遺傳演算法在黃金投資中的應用
7.1 AI 演算法思想
7.1.1 邊緣活躍效應
7.1.2 AI 演算法時代
7.1.3 量化投資在中國的發展階段
7.2 遺傳演算法概述
7.2.1 重度參與飛機引擎設計
7.2.2 生物學基礎
7.3 遺傳演算法關鍵數學原理
7.3.1 編解碼
7.3.2 複製運算
7.4 遺傳演算法尋優舉例
7.4.1 編碼
7.4.2 評價個體適應度
7.4.3 新種群複製
7.4.4 交配點發生交配
7.4.5 基因突變
7.5 遺傳演算法拓展
7.5.1 協力進化
7.5.2 遺傳演算法與佛洛伊德夢的解析法
7.6 電腦程式設計框架
7.6.1 虛擬程式碼設計
7.6.2 參數設計準則
7.6.3 適應度函式調優
7.7 黃金現貨對沖套利
7.7.1 黃金投資重要屬性
7.7.2 定價要素
7.7.3 組建模型
7.7.4 求解非線性多約束雙目標函式
7.7.5 套利策略設計想法

第八章 大規模神經網路及股票非量價複合策略
8.1 類神經網路概述
8.1.1 網路結構
8.1.2 激勵函式
8.2 經典神經網路模型
8.2.1 因式分解網路的學習步驟
8.2.2 基於視網膜感受視野設計RBF 神經網路
8.3 設計 BP 神經網路
8.3.1 鯊魚嗅聞血腥味原理
8.3.2 網路學習案例化解析
8.3.3 網路訓練多尺度分析
8.4 設計 RBF 神經網路
8.4.1 梯度訓練法
8.4.2 性能要素
8.5 評價神經網路的泛化能力
8.6 神經網路核心技術與策略
8.6.1 震盪的成因
8.6.2 演繹推理法與絕妙的排列組合演算法
8.7 設計大規模徑向基小波神經網路的深度理論
8.7.1 五層網路拓撲結構
8.7.2 符號約定
8.7.3 組建神經網路數學模型
8.7.4 調整伸縮因數a
8.7.5 調整尺度因數b
8.7.6 調整連接權值w
8.7.7 a、b、w 動態調整量
8.7.8 增加網路動量
8.7.9 非常規定律
8.8 中證 1000 成分股非量價複合策略
8.8.1 股價預測的合理性與不合理性
8.8.2 多策略原理闡述
8.8.3 因數群挖掘
8.8.4 股票資料ETL
8.8.5 股票資料歸一化和增加白色雜訊
8.8.6 啟動訓練
8.8.7 股價預測準確率
8.8.8 交易指令設計
8.8.9 為什麼有些機器學習量化策略沒有成功
8.8.10 神經網路在股票優選策略中的獨特優勢

第九章 小波分析及金融工程多維度應用
9.1 小波分析框架理論
9.1.1 數學變換的含義
9.1.2 傅立葉轉換的局限性在哪裡
9.1.3 傅立葉轉換和小波變換圖譜對比
9.1.4 小波的定義及特徵
9.2 小波伸縮平移和變換
9.2.1 母小波伸縮平移
9.2.2 連續小波變換
9.3 小波分解與重構
9.3.1 平均和細節
9.3.2 多尺度分析
9.4 市場熵投資策略
9.4.1 海森堡不確定性定律
9.4.2 小波窗函式影響市場動量因數
9.4.3 統一論的量化投資系統
9.5 取出震盪中的道瓊工業指數行情趨勢
9.6 辨識可轉債的資本市場炒作行為
9.6.1 進可攻，退可守的可轉債
9.6.2 資料洗滌
9.6.3 基於db6 小波基對炒作訊號進行變換
9.6.4 透過雜訊分貝辨識可轉債市場炒作行為
9.6.5 模型延伸：提升時間解析度

第十章 前端研究與探索
10.1 費氏投資模型
10.1.1 通項式
10.1.2 簡單是股票策略有效的必要條件
10.2 股票能量守恆定律
10.2.1 物理方程式
10.2.2 實證案例
10.3 最速降線：股票利空出盡的快速途徑
10.3.1 參數方程組
10.3.2 延伸理解
10.3.3 利空出盡最速衰減規律

後記
參考文獻
作者簡介