量化投資：數據挖掘技術與實踐（MATLAB版） ( 簡體 字) |
| 作者：卓金武 周英 | 類別：1. -> 工程繪圖與工程計算 -> Matlab |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 41526
詢問書籍請說出此書號！【缺書】
NT售價： 440 元 |
| 出版日：5/1/2015 |
| 頁數：420 |
| 光碟數：1 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121259265 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：量化投資交易策略的業績穩定，市場規模和份額不斷擴大，得到越來越多投資者的認可。中國金融業飛速發展，尤其是2010年股指期貨的推出，使得量化投資和對沖基金逐步進入國內投資者的視野。2012年丁鵬博士所著的《量化投資——策略與技術》出版后，更是推動了量化投資技術在國內的普及。目前，量化投資、對沖基金已經成為中國資本市場最熱門的話題之一，各投資機構紛紛開始著手打造各自的量化投資精英團隊。
量化投資是將投資理念及策略通過具體指標、參數的設計，融入到具體的模型中，用模型對市場進行不帶任何情緒的跟蹤，簡單而言，就是用數量化的方法對股票、期貨等投資對象進行估值，選取適合的對象進行投資。目前，量化投資的書籍主要集中在模型和策略及工具的使用上，但關于如何產生這些量化模型、量化策略的書籍的確非常少。金融市場瞬息萬變，為了更好地進行量化投資，我們要不斷去驗證既有模型的有效性，同時要想在金融行業保持自己的競爭力，又必須不斷開發新的模型，而驗證模型、開發模型，所謂量化投資的主要內容，都需要數據的支撐。另一方面，金融領域是數據資源保存最好、最為豐富的行業，在金融領域已經積累了大量的數據，同時每天還在產生大量的交易數據、價格數據等數據信息。這些數據資源正好為量化投資提供了很好的數據基礎，那么問題的關鍵就是如何利用金融業豐富的數據資源更好地進行量化投資。
數據挖掘技術是從數據中挖掘有用知識的一門系統性的技術，剛好解決了數據利用的問題，所以數據挖掘與量化投資便很自然地結合在一起。但數據挖掘在國內也是一個新領域，所以還沒有關于量化投資與數據挖掘相結合的相關書籍。另外，目前關于數據挖掘的幾本書基本都是譯著，由于語言和文化的差異，國內讀者讀起來相對吃力。在這樣的背景下，能有一本書介紹如何利用數據挖掘技術進行量化投資還是很好的。
巧合的是，筆者在MathWorks平時的工作職責之一是支持金融客戶，相當比例是關于量化投資的，二是支持其他商業客戶的數據挖掘，所以對這兩個領域都有一定的了解。在一次研討會上，丁鵬博士與筆者討論了數據挖掘在量化投資中應用的話題，感覺這是個非常好的課題，建議筆者寫一本這樣的書。筆者對這個課題也非常感興趣，于是就有了這本書的開始。
雖然筆者之前寫過一本《MATLAB在數學建模中的應用》（在MATLAB相關書籍中也算是有影響力的書，2013年當當網自然科學類圖書中銷量排名Top20），具有一些寫作經驗。但寫這本書確實還是相當費勁。因為金融從業者大多比較務實，所以本書的一個寫作原則就是內容一定要務實。數據挖掘中涉及很多方法，這些方法的理論往往比較難，對于金融從業者來說，這些方法的思想和應用最重要，理論不是關注的重點。所以對于本書中介紹的每個方法，盡量介紹清楚方法的思想、實現步驟，并以案例形式提供方法實現的MATLAB程序，這樣讀者就可以直接借鑒書中的程序，很快將書中的技術轉化為自己的實際操作工具。但筆者查閱了大量的參數書和網絡資料，發現數據挖掘中的這些方法，很少有這樣的程序，所以筆者花費了大量的時間和精力去編寫這些方法的程序。這樣做也特別符合當代人的學習習慣，現在社會信息實在是太豐富了，對讀者來說，一本好書應該能讓大家快速掌握這本書的精華。為了早點寫好本書，在寫書期間，筆者將幾乎全部工作和生活之余的時間全部投入到寫書中去，每個晚上，每個周末，每次帶孩子去練習跆拳道的時候都在寫書。雖然看似很辛苦，但確實很有成就感，是這份成就感給了我執著的動力和快樂，最終完成了此書。總之，寫書的過程是“痛并快樂著”！
本書內容
全書內容分為三篇。
第一篇（基礎篇）主要介紹一些基本概念和知識，包括數據挖掘與量化投資的關系，數據挖掘的概念、實現過程、主要內容、主要工具等內容。
第二篇（技術篇）是本書的主體，系統介紹了數據挖掘的相關技術及這些技術在量化投資中的應用實例。這部分又分為如下三個層次：
（1）數據挖掘前期的一些技術，包括數據的準備（收集數據、數據質量分析、數據預處理等）和數據的探索（衍生變量、數據可視化、樣本選擇、數據降維等）。
（2）數據挖掘的核心六大類方法，包括關聯規則、回歸、分類、聚類、預測和診斷。對于每類方法，則詳細介紹了其包含的典型算法，包括基本思想、應用場景、算法步驟、MATLAB實現程序、應用案例。同時，對每類方法還介紹了一個在量化投資中的應用案例，以強化這些方法在量化投資中的實用性。
（3）數據挖掘中特殊的實用技術，包含兩章內容，一是關于時序數據挖掘的時間序列技術，二是關于優化的智能優化方法。這個層次也是數據技術體系中不可或缺的技術。時序數據是數據挖掘中的一類特殊數據，并且金融數據往往都具有時序性，所以針對該類特殊的數據類型，又介紹了時間序列方法。另外，數據挖掘離不開優化，量化投資也離不開優化，所以又以一章智能優化方法介紹兩個比較常用的優化方法，遺傳算法和模擬退火算法。
第三篇（實踐篇）主要介紹數據挖掘技術在量化投資中的綜合應用實例，包括統計套利策略的挖掘、配對交易策略的挖掘、基于數據挖掘技術的股票程序化交易，最后一章——基于數據挖掘技術的量化交易系統，則給出了集成主流數據挖掘技術的量化投資系統的框架，讀者可以利用該框架，依據書中介紹的數據挖掘技術，結合自己的情況，開發出屬于自己的量化交易系統，從而輕松實現從理論到實踐這一跨越，更好地利用數據挖掘技術在量化投資的領域乘風破浪，不斷創造佳績。
本書特色
綜觀全書，可發現本書的特點鮮明，主要表現在：
（1）方法務實，學以致用。本書介紹的方法都是數據挖掘中的主流方法，都經過實踐的檢驗，具有較強的實踐性。對于每種方法，本書基本都給出了完整、詳細的源代碼，這對于讀者來說，具有非常大的參考價值，很多程序可供讀者直接套用并加以學習，并可以直接轉化為自己的量化投資實戰工具。
（2）知識系統，易于理解。本書的知識體系應該是當前數據挖掘書籍中最全、最完善的，不僅包含詳細的數據挖掘流程、數據準備方法、數據探索方法，還包含六大類數據挖掘主體方法、時序數據挖掘方法、智能優化方法。正因為有完整的知識體系，讀者讀起來才有很好的完整感，從而更利于理解數據挖掘的知識體系，這對于學習是非常有幫助的。
（3）結構合理，易于學習。在講解方法時，由淺入深，循序漸進，讓初學者知道入門的切入點，讓專業人員又有值得借鑒的“干貨”。基礎篇、技術篇和實踐篇的結構部署也讓本書獨樹一幟，讓讀者在學習數據挖掘和量化投資的過程中有一個循序漸進的過程，使讀者在短時間內成為一位數據挖掘高手，同時成為一位量化投資高手。
（4）案例實用，易于借鑒。絕大多數實例都是量化投資領域的實例，所以綜觀全書，本書都在有意引導讀者思考如何讓數據挖掘在量化投資中產生更實際的價值。
（5）主線明晰，脈絡分明。本書涉及知識面寬廣，以數據挖掘和量化投資為中心，輻射銀行、債券、營銷、零售等領域和學科。為了與書稿主線保持一致，這些所涵蓋的領域雖然只是略微帶過，但是從側面折射出數據挖掘技術真的廣泛服務于社會各個領域。在現代社會，某學科單打獨斗的時代已經過去了，本書在無形之中已經樹立了一個意識：各學科的知識之間是相通的，運用知識的最高境界是各學科知識的大融合。
（6）理論與實踐相得益彰。對于本書的每個方法，除理論的講解，都配有一個典型的應用案例，讀者可以通過案例加深對理論的理解，同時理論也讓案例的應用更有信服力。技術的介紹都是以實現實例為目地，同時提供大量技術實現的源程序，方便讀者學習，注重實踐和應用，秉承筆者務實、切近讀者的寫作風格。
（7）內容獨特，趣味橫生。很多方法和內容是同類書籍所沒有的，這無疑增強了本書的新穎性和趣味性。
（8）文字簡介、明了，易于閱讀。在本書編寫過程中，在保證描述精準的前提下，摒棄那些刻板、索然無味的文字，讓文字充滿活力，更易于閱讀。
讀者對象
從事投資工作的專業人士，包括證券、基金、私募、信托、銀行、保險等領域的從業者。
從事數據挖掘、數據分析、數據管理工作的專業人士。
金融、經濟、管理、統計等專業的教師和學生。
從事量化投資或數據挖掘方向研究的科研工作者。
希望學習MATLAB的工程師或科研工作者。因為本書的代碼都是用MATLAB編寫的，所以對于希望學習MATLAB的讀者來說，也是一本很好的參考書。
致專業人士
對于從事量化投資的專業人士來說，書中的數據挖掘技術是值得借鑒的技術，至少會有助于挖掘或啟發策略。書中的實例都具有一定的實戰背景，含有一些從數據挖掘層面的策略，大家可以嘗試將這些技術和策略融入自己的思想和策略中，以讓自己的策略更強大。另外，對于書中介紹的各方法的理論，如果您有很好的數學或計算機背景，且有時間或感興趣，可以認真看，否則，理論部分可以直接跳過。但是每種方法的思想，應用場景一定要領悟，這樣當遇到合適的場景后，就可以馬上想到用哪種方法，然后直接借鑒書中的代碼就可以輕松將這些方法應用到自己的量化投資實踐中。
對于從事數據挖掘的專業人士來說，大家可以關注整個數據挖掘知識體系和數據挖掘的流程，因為本書的數據挖掘知識體系應該是當前數據挖掘數據中體系最全、最完善的。另外，數據挖掘流程也介紹得很詳細，具有很強的操作性。此外，書中的算法案例和綜合應用案例，也算是本書的特色，值得借鑒。
致教師
本書系統地介紹了數據挖掘設計的理論、方法和案例，可以作為金融、經濟、管理、統計等學科的本科專業教材或研究生教材。相比一般的數據挖掘教材，量化投資更容易激發學生的學習興趣，興趣是最好的老師，這對開展教學是非常有利的。
書中的內容雖然系統，但也相對獨立，教師可以根據課程的學時安排和專業方向的側重，選擇合適的內容進行課堂教學，其他內容則可以作為參考章節。授課部分，一般會包含第一篇的兩章和第二篇的前8章，總共10章內容，而如果課時較多，則可以增加其他章節，包括后面商業案例的學習。
在進行課程備課的過程中，如果您需要書中的一些電子資料作為課件或授課支撐材料，可以直接給筆者發郵件（70263215@qq.com）說明您需要的材料和用途，筆者會根據具體情況，為您提供力所能及的幫助。
致學生
作為21世紀的大學生，無論是什么專業背景，都有必要學習數據挖掘和量化投資，原因有二：
一是21世紀的信息非常豐富，很多都以數據形式存在，學習并掌握數據挖掘技術，有助于我們從更深層次了解這個社會，也更有助于我們每人從事的工作。
二是無論從事什么工作，具有一定的投資意識和投資能力都是一個近乎必備的技能。21世紀是和平而充滿競爭的時代，失業對每個人來說都有可能發生，當我們失業的時候怎么辦？如果懂得投資，那么至少讓自己生活得很好是沒有問題的。特別喜歡一句話“喜歡做一名寬客，是因為可以自己掌握命運”，這里的寬客就是指從事量化投資的人士。
所以，讀者無論現在學習什么專業，都應好好讀一下這本書或同類的書籍。相信讀者一定會因為曾學習過數據挖掘和量化投資而備感欣慰！
致謝
本書的編寫出版得到了中國量化投資學會、電子工業出版社等單位的幫助，在此對這些單位表示感謝。特別感謝丁鵬博士在百忙之中指導本書的編寫并為本書寫序！在本書的編寫過程中，中科院金屬所的王愷博士，MathWorks的敖國強博士、陳小挺博士，上海交通大學的李牧芳等好友和同事對本書書稿進行了校對并給出修改建議，電子工業出版社的李冰老師全程指導本書的編寫，在此向他們表示感謝！
由于時間倉促，加之作者水平有限，所以疏漏之處在所難免。在此，誠懇地期待得到廣大讀者的批評指正。
卓金武
2015年3月 上海 |
內容簡介：（含CD光盤1張）
內 容 簡 介
全書內容分為三篇。第一篇（基礎篇）主要介紹數據挖掘與量化投資的關系，以及數據挖掘的概念、實現過程、主要內容、主要工具等內容。第二篇（技術篇）系統介紹了數據挖掘的相關技術及這些技術在量化投資中的應用，主要包括數據的準備、數據的探索、關聯規則方法、數據回規方法、分類方法、聚類方法、預測方法、診斷方法、時間序列方法、智能優化方法等內容。第三篇（實踐篇）主要介紹數據挖掘技術在量化投資中的綜合應用實例，包括統計套利策略的挖掘與優化、配對交易策略的挖掘與實現、數據挖掘在股票程序化交易中的綜合應用，以及基于數據挖掘技術的量化交易系統的構建。 |
目錄：第一篇 基礎篇
第1章 緒論 2
1.1 量化投資與數據挖掘的關系 2
1.1.1 什么是量化投資 2
1.1.2 量化投資的特點 3
1.1.3 量化投資的核心——量化模型 5
1.1.4 量化模型的主要產生方法——數據挖掘 7
1.2 數據挖掘的概念和原理 8
1.2.1 什么是數據挖掘 8
1.2.2 數據挖掘的原理 10
1.3 數據挖掘在量化投資中的應用 11
1.3.1 宏觀經濟分析 11
1.3.2 估價 13
1.3.3 量化選股 14
1.3.4 量化擇時 14
1.3.5 算法交易 15
1.4 本章小結 16
參考文獻 16
第2章 數據挖掘的內容、過程及工具 17
2.1 數據挖掘的內容 17
2.1.1 關聯 17
2.1.2 回歸 19
2.1.3 分類 20
2.1.4 聚類 21
2.1.5 預測 22
2.1.6 診斷 24
2.2 數據挖據過程 25
2.2.1 數據挖掘過程概述 25
2.2.2 挖掘目標的定義 26
2.2.3 數據的準備 26
2.2.4 數據的探索 28
2.2.5 模型的建立 30
2.2.6 模型的評估 34
2.2.7 模型的部署 35
2.3 數據挖掘工具 36
2.3.1 MATLAB 36
2.3.2 SAS 37
2.3.3 SPSS 38
2.3.4 WEKA 40
2.3.5 R 41
2.3.6 工具的比較與選擇 42
2.4 本章小結 43
參考文獻 44
第二篇 技術篇
第3章 數據的準備 47
3.1 數據的收集 47
3.1.1 認識數據 47
3.1.2 數據挖掘的數據源 49
3.1.3 數據抽樣 50
3.1.4 量化投資的數據源 51
3.1.5 從雅虎獲取交易數據 53
3.1.6 從大智慧獲取財務數據 56
3.1.7 從Wind獲取高質量數據 57
3.2 數據質量分析 59
3.2.1 數據質量分析的必要性 59
3.2.2 數據質量分析的目的 60
3.2.3 數據質量分析的內容 60
3.2.4 數據質量分析的方法 61
3.2.5 數據質量分析的結果及應用 66
3.3 數據預處理 67
3.3.1 為什么需要數據預處理 67
3.3.2 數據預處理的主要任務 68
3.3.3 數據清洗 69
3.3.4 數據集成 73
3.3.5 數據歸約 74
3.3.6 數據變換 74
3.4 本章小結 77
參考文獻 77
第4章 數據的探索 78
4.1 衍生變量 79
4.1.1 衍生變量的定義 79
4.1.2 變量衍生的原則和方法 80
4.1.3 常用的股票衍生變量 80
4.1.4 評價型衍生變量 85
4.1.5 衍生變量數據收集與集成 87
4.2 數據的統計 88
4.2.1 基本描述性統計 89
4.2.2 分布描述性統計 90
4.3 數據可視化 90
4.3.1 基本可視化方法 91
4.3.2 數據分布形狀可視化 92
4.3.3 數據關聯情況可視化 94
4.3.4 數據分組可視化 95
4.4 樣本選擇 97
4.4.1 樣本選擇的方法 97
4.4.2 樣本選擇應用實例 98
4.5 數據降維 100
4.5.1 主成分分析（PCA）基本原理 100
4.5.2 PCA應用案例：企業綜合實力排序 103
4.5.3 相關系數降維 106
4.6 本章小結 107
參考文獻 108
第5章 關聯規則方法 109
5.1 關聯規則概要 109
5.1.1 關聯規則提出背景 109
5.1.2 關聯規則的基本概念 110
5.1.3 關聯規則的分類 112
5.1.4 關聯規則挖掘常用算法 113
5.2 Apriori算法 113
5.2.1 Apriori算法的基本思想 113
5.2.2 Apriori算法的步驟 114
5.2.3 Apriori算法的實例 114
5.2.4 Apriori算法的程序實現 117
5.2.5 Apriori算法的優缺點 120
5.3 FP-Growth算法 121
5.3.1 FP-Growth算法步驟 121
5.3.2 FP-Growth算法實例 122
5.3.3 FP-Growth算法的優缺點 124
5.4 應用實例：行業關聯選股法 124
5.5 本章小結 126
參考文獻 127
第6章 數據回歸方法 128
6.1 一元回歸 129
6.1.1 一元線性回歸 129
6.1.2 一元非線性回歸 133
6.1.3 一元多項式回歸 138
6.2 多元回歸 138
6.2.1 多元線性回歸 138
6.2.2 多元多項式回歸 142
6.3 逐步歸回 145
6.3.1 逐步回歸的基本思想 145
6.3.2 逐步回歸步驟 146
6.3.3 逐步回歸的MATLAB方法 147
6.4 Logistic回歸 149
6.4.1 Logistic模型 149
6.4.2 Logistic回歸實例 150
6.5 應用實例：多因子選股模型的實現 153
6.5.1 多因子模型的基本思想 153
6.5.2 多因子模型的實現 154
6.6 本章小結 157
參考文獻 157
第7章 分類方法 158
7.1 分類方法概要 158
7.1.1 分類的概念 158
7.1.2 分類的原理 159
7.1.3 常用的分類方法 160
7.2 K-近鄰（KNN） 161
7.2.1 K-近鄰原理 161
7.2.2 K-近鄰實例 163
7.2.3 K-近鄰特點 166
7.3 貝葉斯分類 167
7.3.1 貝葉斯分類原理 167
7.3.2 樸素貝葉斯分類原理 167
7.3.3 樸素貝葉斯分類實例 170
7.3.4 樸素貝葉斯特點 170
7.4 神經網絡 171
7.4.1 神經網絡的原理 171
7.4.2 神經網絡的實例 173
7.4.3 神經網絡的特點 174
7.5 邏輯斯蒂（Logistic） 175
7.5.1 邏輯斯蒂的原理 175
7.5.2 邏輯斯蒂的實例 175
7.5.3 邏輯斯蒂的特點 175
7.6 判別分析 176
7.6.1 判別分析的原理 176
7.6.2 判別分析的實例 177
7.6.3 判別分析的特點 177
7.7 支持向量機（SVM） 178
7.7.1 SVM的基本思想 178
7.7.2 理論基礎 179
7.7.3 支持向量機的實例 182
7.7.4 支持向量機的特點 182
7.8 決策樹 183
7.8.1 決策樹的基本概念 183
7.8.2 決策樹的建構的步驟 184
7.8.3 決策樹的實例 187
7.8.4 決策樹的特點 188
7.9 分類的評判 188
7.9.1 正確率 188
7.9.2 ROC曲線 191
7.10 應用實例：分類選股法 193
7.10.1 案例背景 193
7.10.2 實現方法 194
7.11 延伸閱讀：其他分類方法 197
7.12 本章小結 197
參考文獻 198
第8章 聚類方法 199
8.1 聚類方法概要 200
8.1.1 聚類的概念 200
8.1.2 類的度量方法 201
8.1.3 聚類方法的應用場景 203
8.1.4 聚類方法的分類 204
8.2 K-means方法 205
8.2.1 K-means的原理和步驟 205
8.2.2 K-means實例1：自主編程 206
8.2.3 K-means實例2：集成函數 208
8.2.4 K-means的特點 212
8.3 層次聚類 212
8.3.1 層次聚類的原理和步驟 212
8.3.2 層次聚類的實例 214
8.3.3 層次聚類的特點 217
8.4 神經網絡聚類 217
8.4.1 神經網絡聚類的原理和步驟 217
8.4.2 神經網絡聚類的實例 218
8.4.3 神經網絡聚類的特點 219
8.5 模糊C-均值（FCM）方法 219
8.5.1 FCM的原理和步驟 219
8.5.2 FCM的應用實例 220
8.5.3 FCM算法的特點 221
8.6 高斯混合聚類方法 222
8.6.1 高斯混合聚類的原理和步驟 222
8.6.2 高斯聚類的實例 224
8.6.3 高斯聚類的特點 225
8.7 類別數的確定方法 225
8.7.1 類別的原理 225
8.7.2 類別的實例 227
8.8 應用實例：股票聚類分池 229
8.8.1 聚類目標和數據描述 229
8.8.2 實現過程 229
8.8.3 結果及分析 231
8.9 延伸閱讀 233
8.9.1 目前聚類分析研究的主要內容 233
8.9.2 SOM智能聚類算法 234
8.10 本章小結 235
參考文獻 235
第9章 預測方法 236
9.1 預測方法概要 236
9.1.1 預測的概念 236
9.1.2 預測的基本原理 237
9.1.3 量化投資中預測的主要內容 238
9.1.4 預測的準確度評價及影響因素 239
9.1.5 常用的預測方法 240
9.2 灰色預測 241
9.2.1 灰色預測原理 241
9.2.2 灰色預測的實例 243
9.3 馬爾科夫預測 246
9.3.1 馬爾科夫預測的原理 246
9.3.2 馬爾科夫過程的特性 247
9.3.3 馬爾科夫預測的實例 248
9.4 應用實例：大盤走勢預測 252
9.4.1 數據的選取及模型的建立 252
9.4.2 預測過程 253
9.4.3 預測結果與分析 254
9.5 本章小結 255
參考文獻 256
第10章 診斷方法 257
10.1 離群點診斷概要 257
10.1.1 離群點診斷的定義 257
10.1.2 離群點診斷的作用 258
10.1.3 離群點診斷方法分類 260
10.2 基于統計的離群點診斷 260
10.2.1 理論基礎 260
10.2.2 應用實例 262
10.2.3 優點與缺點 264
10.3 基于距離的離群點診斷 264
10.3.1 理論基礎 264
10.3.2 應用實例 265
10.3.3 優點與缺點 267
10.4 基于密度的離群點挖掘 267
10.4.1 理論基礎 267
10.4.2 應用實例 268
10.4.3 優點與缺點 270
10.5 基于聚類的離群點挖掘 270
10.5.1 理論基礎 270
10.5.2 應用實例 271
10.5.3 優點與缺點 273
10.6 應用實例：離群點診斷量化擇時 273
10.7 延伸閱讀：新興的離群點挖掘方法 275
10.7.1 基于關聯的離群點挖掘 275
10.7.2 基于粗糙集的離群點挖掘 276
10.7.3 基于人工神經網絡的離群點挖掘 276
10.8 本章小結 277
參考文獻 277
第11章 時間序列方法 279
11.1 時間序列的基本概念 279
11.1.1 時間序列的定義 279
11.1.2 時間序列的組成因素 280
11.1.3 時間序列的分類 281
11.1.4 時間序列分析方法 282
11.2 平穩時間序列分析方法 283
11.2.1 移動平均法 283
11.2.2 指數平滑法 284
11.3 季節指數預測法 285
11.3.1 季節性水平模型 285
11.3.2 季節性趨勢模型 286
11.4 時間序列模型 286
11.4.1 ARMA模型 286
11.4.2 ARIMA模型 287
11.4.3 ARCH模型 288
11.4.4 GARCH模型 289
11.5 應用實例：基于時間序列的股票預測 289
11.6 本章小結 293
參考文獻 293
第12章 智能優化方法 294
12.1 智能優化方法概要 295
12.1.1 智能優化方法的概念 295
12.1.2 在量化投資中的作用 295
12.1.3 常用的智能優化方法 295
12.2 遺傳算法 297
12.2.1 遺傳算法的原理 297
12.2.2 遺傳算法的步驟 298
12.2.3 遺傳算法實例 306
12.2.4 遺傳算法的特點 307
12.3 模擬退火算法 309
12.3.1 模擬退火算法的原理 309
12.3.2 模擬退火算法步驟 310
12.3.3 模擬退火算法實例 313
12.3.4 模擬退火算法的特點 319
12.4 應用實例：組合投資優化 320
12.4.1 問題描述 320
12.4.2 求解過程 320
12.5 延伸閱讀：其他智能方法 321
12.5.1 粒子群算法 321
12.5.2 蟻群算法 323
12.6 本章小結 325
參考文獻 325
第三篇 實踐篇
第13章 統計套利策略的挖掘與優化 327
13.1 統計套利策略概述 327
13.1.1 統計套利的定義 327
13.1.2 統計套利策略的基本思想 327
13.1.3 統計套利策略挖掘的方法 328
13.2 基本策略的挖掘 329
13.2.1 準備數據 329
13.2.2 探索交易策略 329
13.2.3 驗證交易策略 330
13.2.4 選擇最佳的參數 331
13.2.5 參數掃描法 334
13.2.6 考慮交易費 335
13.3 高頻交易策略及優化 337
13.3.1 高頻交易的基本思想 337
13.3.2 高頻交易的實現 339
13.4 多交易信號策略的組合及優化 341
13.4.1 多交易信號策略 341
13.4.2 交易信號的組合優化機理 343
13.4.3 交易信號的組合優化實現 344
13.5 本章小結 347
參考文獻 348
第14章 配對交易策略的挖掘與實現 349
14.1 配對交易概述 350
14.1.1 配對交易的定義 350
14.1.2 配對交易的特點 350
14.1.3 配對選取步驟 351
14.2 協整檢驗的理論基礎 352
14.2.1 協整關系的定義 352
14.2.2 EG兩步協整檢驗法 353
14.2.3 Johansen協整檢驗法 353
14.3 配對交易的實現 355
14.3.1 協整檢驗的實現 355
14.3.2 配對交易函數 356
14.3.3 協整配對中的參數優化 359
14.4 延伸閱讀：配對交易的三要素 360
14.4.1 配對交易的前提 360
14.4.2 配對交易的關鍵 360
14.4.3 配對交易的假設 360
14.5 本章小結 361
參考文獻 361
第15章 數據挖掘在股票程序化交易中的綜合應用 362
15.1 程序化交易概述 362
15.1.1 程序化交易的定義 362
15.1.2 程序化交易的實現過程 363
15.1.3 程序化交易的分類 365
15.2 數據的處理及探索 366
15.2.1 獲取股票日交易數據 366
15.2.2 計算指標 369
15.2.3 數據標準化 375
15.2.4 變量篩選 377
15.3 模型的建立及評估 379
15.3.1 股票預測的基本思想 379
15.3.2 模型的訓練及評價 379
15.4 組合投資的優化 381
15.4.1 組合投資的理論基礎 381
15.4.2 組合投資的實現 385
15.5 程序化交易的實施 389
15.6 本章小結 389
參考文獻 390
第16章 基于數據挖掘技術的量化交易系統 392
16.1 交易系統概述 393
16.1.1 交易系統的定義 393
16.1.2 交易系統的作用 393
16.2 DM交易系統總體設計 394
16.2.1 系統目標 394
16.2.2 相關約定 395
16.2.3 系統結構 395
16.3 短期交易子系統 396
16.3.1 子系統功能描述 396
16.3.2 數據預處理模塊 396
16.3.3 量化選股模塊 397
16.3.4 策略回測模塊 397
16.4 中長期交易子系統 398
16.4.1 子系統功能描述 398
16.4.2 導入數據模塊 398
16.4.3 投資組合優化模塊 399
16.5 系統的拓展與展望 401
16.6 本章小結 401
參考文獻 402 |
| 序： |
