编程书籍推荐：量化投资：以Python为工具，由电子工业出版社2017-01-01月出版，本书发行作者信息： 蔡立耑 著此次为第1次发行， 国际标准书号为：9787121305146，品牌为博文视点, 这本书采用平装开本为16开，附件信息：未知，纸张采为胶版纸，全书共有552页字数万 字，值得推荐的Python Book。

此书内容摘要

本书主要讲解量化投资的思想和策略，并借助Python 语言进行实战。本书一共分为5部分，第1部分是Python 入门，第2部分是统计学基础，第3部分是金融理论、投资组合与量化选股，第4部分是时间序列简介与配对交易，第5部分是技术指标与量化投资。本书首先对Python 编程语言进行介绍，通过学习，读者可以迅速掌握用Python 语言处理数据的方法，并灵活运用Python 解决实际金融问题；其次，向读者介绍量化投资的理论知识，主要讲解量化投资所需的数量基础和类型等方面；最后讲述如何在Python语言中构建量化投资策略。

关于此书作者

蔡立耑，美国伊利诺伊大学金融硕士，华盛顿大学经济学硕士、博士。在人工智能、大数据分析、金融创新、量化投资等领域有丰富的实战经验。

编辑们的推荐

适读人群 ：从事量化投资、数据分析等工作的专业人士；金融、经济、管理、统计学、计算机相关专业的学生和老师，以及希望学习Python语言进行量化投资的广大学者、科研人员。

指导读者：
迅速掌握用Python 语言处理数据的方法；
灵活运用Python 解决实际金融问题；
掌握量化投资所需的理论知识；
领会如何在Python 语言中构建量化投资策略。

量化投资：以Python为工具图书的目录

第1 部分Python 入门 1
第1 章Python 简介与安装使用 2
1．1 Python 概述
1．2 Python 的安装
1．2．1 下载安装Python 执行文件
1．2．2 下载安装Anaconda
1．2．3 多种Python 版本并存
1．3 Python 的简单使用
1．4 交互对话环境IPython
1．4．1 IPython 的安装
1．4．2 IPython 的使用
1．4．3 IPython 功能介绍

第2 章Python 代码的编写与执行
2．1 创建Python 脚本文件
2．1．1 记事本
2．1．2 Python 默认的IDLE 环境
2．1．3 专门的程序编辑器
2．2 执行．py 文件
2．2．1 IDLE 环境自动执行
2．2．2 在控制台cmd 中执行
2．2．3 在Annaconda Prompt 中执行
2．3 Python 编程小技巧
2．3．1 Python 行
2．3．2 Python 缩进

第3 章Python 对象类型初探 23
3．1 Python 对象
3．2 变量命名规则
3．3 数值类型
3．3．1 整数
3．3．2 浮点数
3．3．3 布尔类型
3．3．4 复数
3．4 字符串
3．5 列表
3．6 可变与不可变
3．7 元组
3．8 字典
3．9 集合

第4 章Python 集成开发环境：Spyder 介绍 36
4．1 代码编辑器
4．2 代码执行Console
4．3 变量查看与编辑
4．4 当前工作路径与文件管理
4．5 帮助文档与在线帮助
4．6 其他功能

第5 章Python 运算符与使用 44
5．1 常用运算符
5．1．1 算术运算符
5．1．2 赋值运算符
5．1．3 比较运算符
5．1．4 逻辑运算符
5．1．5 身份运算符
5．1．6 成员运算符
5．1．7 运算符的优先级
5．2 具有运算功能的内置函数

第6 章Python 常用语句 55
6．1 赋值语句
6．1．1 赋值含义与简单赋值
6．1．2 多重赋值
6．1．3 多元赋值
6．1．4 增强赋值
6．2 条件语句
6．3 循环语句
6．3．1 for 循环
6．3．2 while 循环
6．3．3 嵌套循环
6．3．4 break、continue 等语句

第7 章函数
7．1 函数的定义与调用
7．2 函数的参数
7．3 匿名函数
7．4 作用域

第8 章面向对象
8．1 类
8．2 封装
8．3 继承（Inheritance）

第9 章Python 标准库与数据操作
9．1 模块、包和库
9．1．1 模块
9．1．2 包
9．1．3 库
9．2 Python 标准库介绍
9．3 Python 内置数据类型与操作
9．3．1 序列类型数据操作
9．3．1．1 list 类型与操作
9．3．1．2 tuple 类型与操作
9．3．1．3 range 类型与操作
9．3．1．4 字符串操作
9．3．2 字典类型操作
9．3．3 集合操作

第10 章常用第三方库：Numpy 库与多维数组
10．1 NumPy 库
10．2 创建数组
10．3 数组元素索引与切片
10．4 数组运算

第11 章常用第三方库：Pandas 与数据处理
11．1 Series 类型数据
11．1．1 Series 对象的创建
11．1．2 Series 对象的元素提取与切片
11．1．2．1 调用方法提取元素
11．1．2．2 利用位置或标签提取元素与切片
11．1．3 时间序列
11．2 DataFrame 类型数据
11．2．1 创建DataFrame 对象
11．2．2 查看DataFrame 对象
11．2．3 DataFrame 对象的索引与切片
11．2．4 DataFrame 的操作
11．2．5 DataFrame 的运算
11．3 数据规整化
11．3．1 缺失值的处理
11．3．1．1 缺失值的判断
11．3．1．2 选出不是缺失值的数据
11．3．2 缺失值的填充
11．3．3 缺失值的选择删除
11．3．4 删除重复数据

第12 章常用第三方库：Matplotlib 库与数据可视化
12．1 Matplotlib 简介
12．2 修改图像属性
12．2．1 坐标
12．2．1．1 更改坐标轴范围
12．2．1．2 设定坐标标签与显示角度
12．2．2 添加文本
12．2．2．1 添加标题
12．2．2．2 中文显示问题
12．2．2．3 设定坐标轴标签
12．2．2．4 增加图形背景grid
12．2．2．5 增加图例
12．2．3 多种线条属性
12．2．3．1 线条的类型
12．2．3．2 图形的颜色
12．2．3．3 点的形状类型
12．2．3．4 线条宽度
12．3 常见图形的绘制
12．3．1 柱状图（Bar charts）
12．3．2 直方图
12．3．3 饼图
12．3．4 箱线图
12．4 Figure、Axes 对象与多图绘制
12．4．1 Figure、Axes 对象
12．4．2 多图绘制
12．4．2．1 多个子图绘制
12．4．2．2 一个图中多条曲线绘制

第2 部分统计学基础
第13 章描述性统计
13．1 数据类型
13．2 图表
13．2．1 频数分布表
13．2．2 直方图
13．3 数据的位置
13．4 数据的离散度

第14 章随机变量简介
14．1 概率与概率分布
14．1．1 离散型随机变量
14．1．2 连续型随机变量
14．2 期望值与方差
14．3 二项分布
14．4 正态分布
14．5 其他连续分布
14．5．1 卡方分布
14．5．2 t 分布
14．5．3 F 分布
14．6 变量的关系
14．6．1 联合概率分布
14．6．2 变量的独立性
14．6．3 变量的相关性
14．6．4 上证综指与深证综指的相关性分析

第15 章推断统计
15．1 参数估计
15．1．1 点估计
15．1．2 区间估计
15．2 案例分析
15．3 假设检验
15．3．1 两类错误
15．3．2 显著性水平与p 值
15．3．3 确定小概率事件
15．4 t 检验
15．4．1 单样本t 检验
15．4．2 独立样本t 检验
15．4．3 配对样本t 统计量的构造

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 离差平方和
16．2．2 自由度
16．2．3 显著性检验
16．3 方差分析之Python 实现
16．3．1 单因素方差分析
16．3．2 多因素方差分析
16．3．3 析因方差分析

第17 章回归分析
17．1 一元线性回归模型
17．1．1 一元线性回归模型
17．1．2 最小平方法
17．2 模型拟合度
17．3 古典假设条件下^_、^ _ 之统计性质
17．4 显著性检验
17．5 上证综指与深证成指的回归分析与Python 实践
17．5．1 Python 拟合回归函数
17．5．2 绘制回归诊断图
17．6 多元线性回归模型
17．7 多元线性回归案例分析
17．7．1 价格水平对GDP 的影响
17．7．2 考量自变量共线性因素的新模型

第3 部分金融理论、投资组合与量化选股
第18 章资产收益率和风险
18．1 单期与多期简单收益率
18．1．1 单期简单收益率
18．1．2 多期简单收益率
18．1．3 Python 函数计算简单收益率
18．1．4 单期与多期简单收益率的关系
18．1．5 年化收益率
18．1．6 考虑股利分红的简单收益率
18．2 连续复利收益率
18．2．1 多期连续复利收益率
18．2．2 单期与多期连续复利收益率的关系
18．3 绘制收益图
18．4 资产风险的来源
18．4．1 市场风险
18．4．2 利率风险
18．4．3 汇率风险
18．4．4 流动性风险
18．4．5 信用风险
18．4．6 通货膨胀风险
18．4．7 营运风险
18．5 资产风险的测度
18．5．1 方差
18．5．2 下行风险
18．5．3 风险价值
18．5．4 期望亏空
18．5．5 最大回撤

第19 章投资组合理论及其拓展
19．1 投资组合的收益率与风险
19．2 Markowitz 均值-方差模型
19．3 Markowitz 模型之Python 实现
19．4 Black-Litterman 模型

第20 章资本资产定价模型（CAPM）
20．1 资本资产定价模型的核心思想
20．2 CAPM 模型的应用
20．3 Python 计算单资产CAPM 实例
20．4 CAPM 模型的评价

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 实现
21．3 三因子模型的评价
第4 部分时间序列简介与配对交易 317

第22 章时间序列基本概念 318
22．1 认识时间序列
22．2 Python 中的时间序列数据
22．3 选取特定日期的时间序列数据
22．4 时间序列数据描述性统计

第23 章时间序列的基本性质 326
23．1 自相关性
23．1．1 自协方差
23．1．2 自相关系数
23．1．3 偏自相关系数
23．1．4 acf( ) 函数与pacf( ) 函数
23．1．5 上证综指的收益率指数的自相关性判断
23．2 平稳性
23．2．1 强平稳
23．2．2 弱平稳
23．2．3 强平稳与弱平稳的区别
23．3 上证综指的平稳性检验
23．3．1 观察时间序列图
23．3．2 观察序列的自相关图和偏自相关图
23．3．3 单位根检验
23．4 白噪声
23．4．1 白噪声
23．4．2 白噪声检验――Ljung-Box 检验
23．4．3 上证综合指数的白噪声检验

第24 章时间序列预测
24．1 移动平均预测
24．1．1 简单移动平均
24．1．2 加权移动平均
24．1．3 指数加权移动平均
24．2 ARMA 模型预测
24．2．1 自回归模型
24．2．2 移动平均模型
24．3 自回归移动平均模型
24．4 ARMA 模型的建模过程
24．5 CPI 数据的ARMA 短期预测
24．5．1 序列识别
24．5．2 模型识别与估计
24．5．3 模型诊断
24．5．4 运用模型进行预测
24．6 股票收益率的平稳时间序列建模

第25 章GARCH 模型
25．1 资产收益率的波动率与ARCH 效应
25．2 ARCH 模型和GARCH 模型
25．2．1 ARCH 模型
25．2．2 GARCH 模型
25．3 ARCH 效应检验
25．4 GARCH 模型构建

第26 章配对交易策略
26．1 什么是配对交易
26．2 配对交易的思想
26．3 配对交易的步骤
26．3．1 股票对的选择
26．3．2 配对交易策略的制定
26．4 构建PairTrading 类
26．5 Python 实测配对交易交易策略

第5 部分技术指标与量化投资
第27 章K 线图
27．1 K 线图简介
27．2 Python 绘制上证综指K 线图
27．3 Python 捕捉K 线图的形态
27．3．1 Python 捕捉“早晨之星”
27．3．2 Python 语言捕捉“乌云盖顶”形态

第28 章动量交易策略
28．1 动量概念介绍
28．2 动量效应产生的原因
28．3 价格动量的计算公式
28．3．1 作差法求动量值
28．3．2 做除法求动量值
28．4 编写动量函数momentum( )
28．5 万科股票2015 年走势及35 日动量线
28．6 动量交易策略的一般思路

第29 章RSI 相对强弱指标
29．1 RSI 基本概念
29．2 Python 计算RSI 值
29．3 Python 编写rsi( ) 函数
29．4 RSI 天数的差异
29．5 RSI 指标判断股票超买和超卖状态
29．6 RSI 的“黄金交叉”与“死亡交叉”
29．7 交通银行股票RSI 指标交易实测
29．7．1 RSI 捕捉交通银行股票买卖点
29．7．2 RSI 交易策略执行及回测

第30 章均线系统策略
30．1 简单移动平均
30．1．1 简单移动平均数
30．1．2 简单移动平均函数
30．1．3 期数选择
30．2 加权移动平均
30．2．1 加权移动平均数
30．2．2 加权移动平均函数
30．3 指数加权移动平均
30．3．1 指数加权移动平均数
30．4 创建movingAverage 模组
30．5 常用平均方法的比较
30．6 中国银行股价数据与均线分析
30．7 均线时间跨度
30．8 中国银行股票均线系统交易
30．8．1 简单移动平均线制定中国银行股票的买卖点
30．8．2 双均线交叉捕捉中国银行股票的买卖点
30．9 异同移动平均线（MACD）
30．9．1 MACD 的求值过程
30．9．2 异同均线（MACD）捕捉中国银行股票的买卖点
30．10 多种均线指标综合运用模拟实测

第31 章通道突破策略
31．1 通道突破简介
31．2 唐奇安通道
31．2．1 唐奇安通道刻画
31．2．2 Python 捕捉唐奇安通道突破
31．3 布林带通道
31．4 布林带通道与市场风险
31．5 通道突破交易策略的制定
31．5．1 一般布林带上下通道突破策略
31．5．2 特殊布林带通道突破策略

第32 章随机指标交易策略
32．1 什么是随机指标（KDJ）
32．2 随机指标的原理
32．3 KDJ 指标的计算公式
32．3．1 未成熟随机指标RSV
32．3．2 K、D 指标计算
32．3．3 J 指标计算
32．3．4 KDJ 指标简要分析
32．4 KDJ 指标的交易策略
32．5 KDJ 指标交易实测
32．5．1 KD 指标交易策略
32．5．2 KDJ 指标交易策略
32．5．3 K 线、D 线“金叉”与“死叉”

第33 章量价关系分析
33．1 量价关系概述
33．2 量价关系分析
33．2．1 价涨量增
33．2．2 价涨量平
33．2．3 价涨量缩
33．2．4 价平量增
33．2．5 价平量缩
33．2．6 价跌量增
33．2．7 价跌量平
33．2．8 价跌量缩
33．3 不同价格段位的成交量
33．4 成交量与均线思想结合制定交易策略

第34 章OBV 指标交易策略 524
34．1 OBV 指标概念
34．2 OBV 指标计算方法
34．3 OBV 指标的理论依据
34．4 OBV 指标的交易策略制定
34．5 OBV 指标交易策略的Python 实测
34．6 OBV 指标的应用原则

部分内容试读

过去十年，一股“量化投资”的热潮在中国悄然掀起。最近这两年，投资人对量化的关注更是到达了前所未有的地步。除了业界到处寻找量化团队以外，各种量化基金如雨后春笋般出现，各个大学校园也开始举办一场又一场的量化讲座、研讨会等。量化投资一时蔚为风行，产官学共襄盛举。
这么受人瞩目的议题，到底它的内涵是什么呢？为了了解量化投资这个概念，我们先回顾一下投资分析与决策过程。在投资分析与实战中，虽然个中滋味如人饮水，个中细节一言难尽，但“投资”大致上会有如下几个阶段：首先，投资人利用各种工具与分析方法，建构模型（系统）来验证买卖标的、时点、价位等有效性；第二阶段则筛选经过分析与验证得到的结论，实际应用于交易；一个严谨的投资人，通常还会有第三阶段，即在实际投资的过程中，不断地修正与完善自已的模型（系统）。
在资讯工具不发达的年代，这些过程往往以质化为主。例如，基金经理人会研究上巿公司财务报表，拜访公司高层，以经验判断技术指标的趋势与形态，做出投资的买卖决策。这种做法带有很大的主观性，因此又被称为“主观交易”。主观交易的流弊，在于决策基础多源于“大胆假设”而缺乏方法“小心求证”的过程。更甚者，行为金融学指出，投资人的行为往往易受各种心理认知谬误的影响而伤害投资绩效。除此之外，在瞬息万变的金融巿场中，主观交易者若要处变不惊地坚守操作纪律，同时眼明手快地捕捉稍纵即逝的机会，也常有“力不从心”之叹。
相较于主观交易所遭遇的问题，量化投资则在上述投资的各个阶段，利用数学、统计、计算机等分析工具来建立模型，据以客观地分析数据，按事先设定好的投资逻辑来进行投资决策，在理想状况下自动化执行下单。正因为如此，量化投资拥有可验证性、纪律性与即时性等许多主观交易不可企及的优势。若再善用计算机技术，量化交易者可以处理的资讯量更让主观交易者望尘莫及。如此说来，采用量化技术岂非在投资上立于不败之地？
读者只要稍加思考即可发现，量化投资的模型很容易因建模者的能力不同而良莠不齐。此外，绝大多数模型的核心思想在于“以史为鍳”；在对历史数据依赖度高的前提下，一旦遇到新兴的金融巿场或历史不曾出现的事件，量化投资者也只能徒呼负负。既然主观交易有诸多限制，量化交易又并非万能，那么，对投资绩效念兹在兹的投资者，究竟该何去何从呢？我们要提醒读者的是，编程语言、统计、金融、技术指标等量化投资常用的知识只是工具，它们就像武侠小说中的宝剑与武功秘籍，虽然很重要，却不是笑傲江湖的保证。宝剑锋从磨砺出，只有勤练武艺，在实战中积累经验，才能审时度势，百战不殆。
本书旨在对量化投资做广泛与初步的介绍，希望能引领读者进入这个引人入胜的学术与实务领域。囿于笔者的学养见识，书中内容或有疏漏谬误之处，尚祈先进专家能不吝指正。最后，谨以此书表达对热血投资大众的献曝之忱。若读者需要书中的习题解答、代码、数据、勘误补充及量化相关资讯，可发邮件至service@baoquant.com索取，来信请在邮件标题中写明书名：《量化投资：以Python为工具》。

关于此书评价

暂无.

书摘内容

暂无.

量化投资：以Python为工具最新最全的试读、书评、目录、简介信息由Python中文网整理提供。