Python量化投资：技术 模型与策略 下载 pdf 百度网盘 epub 免费 2025 电子书 mobi 在线

全书共18章，前11章主要讲解基础知识。第1章介绍了什么是量化投资，以及为什么要用Python。第2章介绍了如何搭建基础环境，介绍了常用的一些工具。第3章讲解python的基本应用和常用的库。第4章介绍python数据分析中常用的Numpy, Scipy, Pandas。第5章介绍数据分析的基础方法。第6章介绍数据的可视化，使用matplotlib库。第7章介绍基础的金融分析方法。第8章介绍技术分析和时序序列分析，从业界和学术界两种角度来进行分析。第9章介绍了投资组合理论和由此衍生出来的多因子模型。第10章介绍了金融市场中衍生品的分析，以期货和期权为主。第11章从利率开始，介绍了债券的分析方法。

从第12章开始进入实战篇。第12章讲解中国金融市场，主要针对二级市场，并介绍了针对不同市场的基本投资策略。第13章介绍了，研究策略时，所需的数据来源，开源数据和商业数据库都有介绍。并且介绍目前比较流行的python的开源数据源。第14章介绍了如何建立数据库，并且讲解针对不同数据，如何设计数据库。第15章介绍了策略研究基本概念，方法论和流程。第16章介绍了进行自动化交易的接口，并且介绍了目前比较流行的开源项目vn.py。第17章介绍了如何使用python爬取网络上数据，并进行舆情分析。第18章介绍了人工智能的基本概念和算法，并且介绍了人工智能在量化投资中的应用。

推荐序一

推荐序二

推荐序三

前言

第1章　量化投资与Python简介 1

1.1　量化投资基本概念 1

1.2　量化投资的特征 2

1.3　量化投资的优势 3

1.4　量化、AI并不是一切 4

1.5　编程语言比较 5

1.5.1　Matlab 5

1.5.2　R 6

1.5.3　C 6

1.5.4　Python 6

1.5.5　其他语言 7

1.6　为什么要使用Python 7

1.7　Python构建量化投资生产线 10

第2章　平台搭建和工具 11

2.1　需要考虑的问题 11

2.2　编程环境搭建流程 12

2.2.1　其他库的安装 12

2.2.2　四种集成开发环境（IDE）介绍 13

第3章　Python金融分析常用库介绍 17

3.1　NumPy 17

3.1.1　创建多维数组 18

3.1.2　选取数组元素 19

3.2　SciPy 20

3.3　Pandas 21

3.3.1　DataFrame入门 21

3.3.2　Series 35

3.4　StatsModels 36

第4章　可视化分析 39

4.1　Matplotlib 39

4.1.1　散点图 39

4.1.2　直方图 40

4.1.3　函数图 40

4.1.4　Matplotlib和seaborn的中文乱码问题 42

4.2　seaborn 43

4.3　python-highcharts 47

第5章　统计基础 53

5.1　基本统计概念 53

5.1.1　随机数和分布 53

5.1.2　随机数种子 58

5.1.3　相关系数 58

5.1.4　基本统计量 59

5.1.5　频率分布直方图 60

5.2　连续随机变量分布 63

5.2.1　分布的基本特征 63

5.2.2　衍生特征 66

5.3　回归分析 68

5.3.1　小二乘法 68

5.3.2　假设检验 71

第6章　数据预处理和初步探索 74

6.1　数据清理 74

6.1.1　可能的问题 75

6.1.2　缺失值 75

6.1.3　噪声或者离群点 76

6.1.4　数据不一致 77

6.2　描述性统计 77

6.2.1　中心趋势度量 77

6.2.2　数据散布度量 78

6.3　描述性统计的可视化分析 79

6.3.1　直方图 79

6.3.2　散点图 82

6.3.3　盒图 83

第7章　Pandas进阶与实战 86

7.1　多重索引 86

7.2　数据周期变换 90

第8章　金融基础概念 92

8.1　收益率 92

8.2　对数收益率 93

8.3　年化收益 93

8.4　波动率 93

8.5　夏普比率 94

8.6　索提诺比率 96

8.7　阿尔法和贝塔 96

8.8　回撤 97

第9章　资产定价入门 98

9.1　利率 98

9.2　利率的计量 99

9.3　零息利率 100

9.4　债券定价 101

9.4.1　债券收益率 101

9.4.2　平价收益率 102

9.4.3　国债零息利率确定 102

9.4.4　远期利率 105

9.5　久期 106

9.6　期权 106

9.7　期权的描述 107

9.8　看涨期权和看跌期权 107

9.9　期权价格与股票价格的关系 108

9.10　影响期权价格的因素 108

第10章　金融时间序列分析 110

10.1　为什么用收益率而不是价格 110

10.2　金融时间序列定义 110

10.3　平稳性 112

10.4　白噪声序列 112

10.5　自相关系数 113

10.6　混成检验 114

10.7　AR（p）模型 115

10.7.1　AR（p）模型简介 115

10.7.2　AR(p)平稳性检验 115

10.7.3　AR(p)如何确定参数p 117

10.8　信息准则 119

10.8.1　拟合优度 120

10.8.2　预测 121

10.9　ARMA模型 122

10.9.1　MA模型 122

10.9.2　ARMA模型公式 124

10.9.3　ARMA模型阶次判定 124

10.9.4　建立ARMA模型 125

10.10　ARCH和GARCH模型 126

10.10.1　波动率的特征 127

10.10.2　波动率模型框架 127

10.10.3　ARCH模型 127

10.10.4　GARCH模型 132

第11章　数据源和数据库 135

11.1　数据来源 135

11.2　TuShare 135

11.2.1　TuShare安装 136

11.2.2　TuShare的Python SDK 136

11.3　pandas-reader 137

11.4　万得接口 141

11.4.1　一个简单例子 141

11.4.2　数据库 142

11.4.3　下载所有股票历史数据 143

第12章　CTA策略 145

12.1　趋势跟踪策略理论基础 145

12.2　技术指标 146

12.3　主力合约的换月问题 147

12.4　用Python实现复权 148

12.4.1　加减复权 148

12.4.2　乘除复权 149

12.5　安装ta-lib 151

12.6　ta-lib的指标和函数介绍 152

12.7　可叠加指标 153

12.7.1　MA、EMA 154

12.7.2　Bollinger Bands 155

12.8　动量指标 156

12.8.1　动量指标简介 156

12.8.2　相对强弱指标 157

12.9　成交量指标 158

12.10　波动率指标 158

12.11　价格变换 159

12.12　Pattern Recognition 160

12.13　一个简单策略模式 163

第13章　策略回测 165

13.1　回测系统是什么 165

13.2　各种回测系统简介 165

13.3　什么是回测 166

13.4　回测系统的种类 167

13.4.1　“向量化”系统 167

13.4.2　For循环回测系统 167

13.4.3　事件驱动系统 168

13.5　回测的陷阱 169

13.6　回测中的其他考量 169

13.7　回测系统概览 170

13.8　使用Python搭建回测系统 171

13.8.1　Python向量化回测 171

13.8.2　Python For循环回测 174

13.8.3　PyAlgoTrade简介 177

第14章　多因子风险模型 181

14.1　风险定义 181

14.2　资本资产定价模型 182

14.3　套利定价理论 182

14.4　多因子模型 183

14.5　多因子模型的优势 183

14.6　建立多因子模型的一般流程 184

14.6.1　风险因子的种类 184

14.6.2　反映外部影响的因子 184

14.6.3　资产截面因子 184

14.6.4　统计因子 184

14.7　行业因子 185

14.8　风险因子 185

14.8.1　风险因子分类 185

14.8.2　投资组合风险分析 186

14.9　基准组合 186

14.10　因子选择和测试 187

14.11　Fama-French三因子模型 187

14.12　因子发掘与论证 191

14.13　单因子有效性分析alphalens 192

14.13.1　数据预处理 192

14.13.2　收益率分析 195

14.13.3　信息系数分析 198

14.14　财务因子为什么不好用 201

第15章　资金分配 203

15.1　现代/均值-方差资产组合理论 203

15.1.1　MPT理论简介 203

15.1.2　随机权重的夏普比率 204

15.1.3　化夏普比率 207

15.2　Black-Litterman资金分配模型 209

15.2.1　MPT的优化矩阵算法 209

15.2.2　Black-Litterman模型 215

第16章　实盘交易和vn.py框架 219

16.1　交易平台简介 219

16.2　交易框架vn.py 219

16.3　vn.py的安装和配置 220

16.3.1　安装VN Studio 220

16.3.2　运行VN Station 221

16.3.3　启动VN Trader 222

16.4　CTA策略模块分析 224

16.5　个入门策略 225

16.5.1　创建策略文件 225

16.5.2　定义策略类 225

16.5.3　设置参数变量 229

16.5.4　交易逻辑实现 230

16.5.5　实盘K线合成 232

16.6　on_tick和on_bar 233

16.6.1　on_tick的逻辑 233

16.6.2　on_bar的逻辑 234

16.6.3　策略的两种模式 235

第17章　Python与Excel交互 239

17.1　Excel相关库简介 239

17.2　OpenPyxl基础 239

17.2.1　OpenPyxl入门操作 239

17.2.2　Pandas与Excel 242

17.2.3　在Excel中绘图 244

后记 252

赵志强，金融量化与建模专家，目前在金融科技公司负责金融大数据产品工作，专注于研究Al在金融领域的落地应用。曾在由诺奖得主Robert Engle领导的上海纽约大学波动研究所研究全球金融风险，并和上交所、中金所合作完成多项科研项目。曾在摩根士丹利华鑫基金、明汯投资负责量化投资研究工作，内容包括股票多因子、期货CTA和高频交易等。

刘志伟，在中国银联云闪付事业部从事数据分析、数据挖掘等工作。对自然语言处理、文本分类、实体识别、关系抽取、传统机器学习，以及大数据技术栈均有实践经验。目前正在探索相关技术在金融场景内的落地应用，包括自动知识图谱、大规模文本信息抽取结构化、异常识别等领域，关注人工智能行业前沿技术发展。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：Python量化投资：技术 模型与策略在线阅读

在线听书地址：Python量化投资：技术 模型与策略在线收听

在线购买地址：Python量化投资：技术 模型与策略在线购买

暂无原文赏析，正在全力查找中！

前言

量化投资在国内算是比较新兴的投资流派，有过很好的业绩，也经历过低谷。要想做好量化投资，主要得把握好两个方面：一是策略逻辑，二是策略实现。

策略逻辑五花八门，比如技术流派的海龟交易策略、网络交易策略等，偏学术流派的多因子策略、统计套利策略等，还有更高端的机器学习策略。策略逻辑本身就是一个非常大的领域，每个人都有自己的想法和套路，而且细节各不相同，真正好用的也不可能全都分享出来。

策略实现则相对比较单纯。当我们准备进行实际的研究和交易时，必须要使用相应的工具来实现研究、回测、交易等功能。相对于策略逻辑来讲，这部分工作更清晰，也更容易标准化，故涌现了大量的第三方平台，比如期货界的文华财经、TradeBlazer，股票界的优矿、聚宽量化等。

第三方平台可以大量节省初期开发成本，对于个人投资者来讲是一个不错的选择。但是，当把量化工作作为长期事业时，这些第三方平台很快会显现出一些短板。比如有的数据不全，有的不支持自动交易等。这个时候，就不得不使用其他的平台了。可以想见，在不同的平台之间切换，其中的学习、管理、维护成本是不可小觑的。

对于机构来说，更是如此，所以不如从一开始就自主开发量化投资平台。在众多的开发语言中，方便的开发语言则非Python莫属了。

在量化投资的研究过程中，80%的时间都是处理数据。Python处理数据的功能非常强大，用起来也特别顺手，而且Python的统计库也越来越完善。

目前国内Python相关的书以译本居多，虽然这些书对于Python本身的语法讲解是足够的，但是对于量化投资并没有详细的剖析，更不用提贴近国内市场了。

笔者相信在量化投资领域，Python的使用将是大趋势。本书的目的，一是介绍贴近国内市场的量化投资理论和策略；二是介绍Python在量化投资分析中具体的应用案例。一方面，希望能从理论上让读者有一个基本的认知，无论是学术理论还是业界实践理论。另一方面，希望读者能够根据书中具体的代码案例，自己动手实现并改进。

没有理论不行，但只有理论不实践也不行。故书中的内容是理论与实践相结合的，两手都要抓，两手都要硬。本书会针对大框架给出相应的示例，虽然书中所讲的策略不一定能直接拿来就用，但各种策略的大体框架都差不多，差别在于细节和执行，只要读者用心琢磨研究，必然能有所收获。

后要感谢相关朋友的帮助。感谢迟明浩在股票多因子章节的贡献，感谢机械工业出版社华章公司策划编辑杨绣国的建议和帮助。

如何使用本书

对于量化投资，Python的学习流程一般可以分为如下六个部分。

1）了解基础语法和数据结构。

2）掌握Pandas的使用基础并进阶。

3）掌握统计理论及金融学术理论。

4）掌握金融量化实践、策略研究理论。

5）学习回测平台开发。

6）学习平台开发。

因为市面上已经存在大量讲解Python入门基础的书，故本书略过基础的语法和数据结构，直接从Pandas开始介绍。如果你之前从未使用过Python，那么建议先阅读一两本基础书，学习Python的一些基本语法、特性和内置数据结构（如列表、元组、字典等）。

Python量化投资相关内容非常多，限于篇幅和笔者经验，无法逐一详细介绍，只能介绍一些入门的知识和案例。

如果读者对某个模块特别感兴趣，想要深入研究，或者发现书中所讲有误，可以直接联系笔者：微信号为hellomoon9，邮箱为jason_zzq@foxmail.com。

另外，本书中的很多案例都是笔者根据过去的从业经验边实践边记录的。当读者阅读时，代码很有可能已经过时，故我们维护了一个样例代码的网站：https://github.com/zzqoxygen/python_quant。

书籍介绍

《Python量化投资：技术、模型与策略》基于大量真实的实践应用案例和场景，介绍了Python在量化投资各个环节的应用。作者结合自己在量化投资中的项目经验，用通俗易懂的语言和生动的案例，围绕量化投资中的概念、思路、方法与应用，帮助读者深刻领会“Python的胶水语言能力使其在量化投资生产线的各个环节几乎都能胜任”。

《Python量化投资：技术、模型与策略》共17章，第1-9章系统介绍了量化投资中的基础概念，包括数据处理、Pandas的使用、统计方法、资产定价等，同时提供Python实例代码进行解释，方便读者在厘清基本概念的同时，能上手尝试简单的Python代码，为后面更复杂的量化体系打好基础；第10-17章从实战的角度介绍了量化投资中的具体应用，包括数据来源、CTA策略、多因子策略、策略回测、资金分配等。

《Python量化投资：技术、模型与策略》从实战的角度出发，采用优秀的开源框架来完成各个功能模块，并且对各个模块背后的基本原理进行了详细讲解，相信能方便读者理解和开发。

《Python量化投资：技术、模型与策略》的主要内容和特色：

案例上手容易，使用简单的Python代码来阐释量化投资概念，读者能在厘清量化投资基本概念的同时，迅速上手并基于简单的代码模板写出自己的代码。

理论覆盖面广，包括了金融基础概念、数据预处理、衍生品定价、统计应用、回测平台等实战中都可能用到的内容，方便读者对Python量化投资全景图有一个良好的把握。

内容实战性强，详解真实业务场景中交易常用的Python工具，比如Wind数据接口、单因子分析框架alphalens、实盘交易框架vn.py等，让读者理解真实场景中如何利用Python生态迅速构建自己的量化投资生产线。