AI 量化投資

上篇 量化體系

 

第 1 章  量化思想  

1.1 超額 α 實證案例 

1.1.1 定量構建三級基金池 

1.1.2 通過“AOA”分析法進行大類資產配置 

1.1.3 檢驗正交 ( 獨立 ) 的多條投資回報流 

1.1.4 組建風險收益模型 

1.1.5 模型延伸：通過 JDBC 驅動連接 MySQL 接口 

1.2 萬物皆是算法 

1.2.1 生物學的算法屬性 

1.2.2 機器學習算法與數學機械化概述 

1.3 什麽是量化投資 

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 經典多因子量化三要素 

1.3.5 多因子投資拓撲結構 

1.3.6 算力與 tick 顆粒度 

1.3.7 算法暴力會人為造成服務器“燃料”短缺 

1.3.8 量化策略能盈利的底層邏輯 

1.4 什麽是 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 2 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 蒙特卡羅模擬的原理 

2.2.2 誤差分析 

2.2.3 定投鈍化 

2.3 時間分辨率為何深度影響投資收益率 

2.3.1 時間分辨率 

2.3.2 投資時間顆粒度與復利理論最大值 

第 3 章  量化方法  

3.1 線性相關度 

3.1.1 計算方法 

3.1.2 用於宏觀經濟因子 

3.1.3 構建不相關投資回報流 

3.1.4 線性相關度延伸： Spearman 相關度 

3.2 灰色相關矩陣 

3.2.1 股票走勢的灰色性 

3.2.2 灰色關聯度計算方法 

3.2.3 用於宏觀經濟因子 

3.3 多因子投資 

3.3.1 因子暴露、因子溢價、因子模型、資產向量圖 

3.3.2 構建多因子投資向量通式 

3.3.3 單因子溢價 

3.3.4 雙因子溢價 

3.3.5 因子檢驗 

3.3.6 多因子分析的主觀性 

3.4 雲模型，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 貝葉斯判別法，先驗概率的 AI 

3.5.1 後驗概率 

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 成分股量價因子聚類 

3.6.3 A 股全指個股量價因子聚類 

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 信息交易者與噪聲交易者 

第 4 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 策略缺點與優化 

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 杠桿模型 

4.6 CTA 策略 

4.7 量化策略的趨勢 

第 5 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 6 章  交易信息系統外接 

6.1 接入門檻 

6.2 系統外接 IT 架構 

 

下篇 AI 方法及投資策略

 

第 7 章  遺傳算法在黃金投資中的應用 

7.1 AI 算法思想 

7.1.1 邊緣活躍效應 

7.1.2 AI 算法時代 

7.1.3 量化投資在我國的發展階段 

7.2 遺傳算法概述 

7.2.1 重度參與飛機發動機設計 

7.2.2 生物學基礎 

7.3 遺傳算法關鍵數學原理 

7.3.1 編解碼 

7.3.2 復制運算 

7.4 遺傳算法尋優舉例 

7.4.1 編碼 

7.4.2 評價個體適應度 

7.4.3 新種群復制 

7.4.4 交配點發生交配 

7.4.5 基因突變 

7.5 遺傳算法拓展 

7.5.1 協力進化 

7.5.2 遺傳算法與弗洛伊德夢的解析法 

7.6 電腦程序設計框架 

7.6.1 偽代碼設計 

7.6.2 參數設計準則 

7.6.3 適應度函數調優 

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數 

7.7.5 套利策略設計思路 

第 8 章  大規模神經網絡及股票非量價復合策略  

8.1 人工神經網絡概述 

8.1.1 網絡結構 

8.1.2 激勵函數 

8.2 經典神經網絡模型 

8.2.1 因式分解網絡的學習步驟 

8.2.2 基於視網膜感受視野設計 RBF 神經網絡 

8.3 設計 BP 神經網絡 

8.3.1 鯊魚嗅聞血腥味原理 

8.3.2 網絡學習案例化解析 

8.3.3 網絡訓練多尺度分析 

8.4 設計 RBF 神經網絡 

8.4.1 梯度訓練法 

8.4.2 性能要素 

8.5 評價神經網絡的泛化能力 

8.6 神經網絡核心技術與策略 

8.6.1 震盪的成因 

8.6.2 演繹推理法與絕妙的排列組合算法 

8.7 設計大規模徑向基小波神經網絡的深度理論 

8.7.1 五層網絡拓撲結構 

8.7.2 符號約定 

8.7.3 組建神經網絡數學模型 

8.7.4 調整伸縮因子a 

8.7.5 調整尺度因子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 添加網絡動量 

8.7.9 非常規定律 

8.8 中證 1000 成分股非量價復合策略 

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 因子群挖掘 

8.8.4 股票數據 ETL 

8.8.5 股票數據歸一化和添加白噪聲 

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 為什麽有些機器學習量化策略沒有成功 

8.8.10 神經網絡在股票優選策略中的獨特優勢 

第 9 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 傅里葉變換的局限性在哪裡 

9.1.3 傅里葉變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 海森堡測不準定律 

9.4.2 小波窗函數影響市場動量因子 

9.4.3 統一論的量化投資體系 

9.5 抽取震盪中的道瓊斯工業指數行情趨勢 

9.6 識別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 數據洗滌 

9.6.3 基於 db6 小波基對炒作信號進行變換 

9.6.4 通過噪聲分貝識別可轉債市場炒作行為 

9.6.5 模型延伸：提升時間分辨率 

第 10 章  前沿研究與探索 

10.1 斐波那契投資模型 

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