AI驅動下的量化策略構建(微課視頻版)
江建武、季楓、梁舉
買這商品的人也買了...
-
$450$405 -
$420$328 -
$1,700$1,615 -
$620$484 -
$1,000$660 -
$600$570 -
$600$468 -
$650$553 -
$474$450 -
$880$695
相關主題
商品描述
"本書主要利用AI發現和構建有效的量化策略,旨在使讀者掌握AI在量化策略中的應用。隨著2023年大模型的崛起,投資者需要學會與AI共生,建立個人知識庫和靈活應用提示詞工程(Prompt Engineering),讓AI協助尋找論文、理解論文、編寫代碼、構建模型、訓練模型、生成信號、特徵識別、投資組合優化和參數優化等。AI在高質量人群的量化行業中將得到廣泛應用和發展,讓更多讀者能掌握編程和量化技能,從而在AI的幫助下快速開發出適應市場的量化策略。 本書共10章,涵蓋量化投資中AI的歷史演進、投研平臺的構建、量化策略的開發流程、策略分類和介紹、市場主流策略開發、策略回測和實盤準備等內容。書中提供豐富的示例代碼,具有較強的實踐性和系統性,並配有高等數學、金融工程和電腦科學技術等前置知識,以幫助讀者深入理解量化投資策略。 本書適合量化進階者,也對有經驗的策略研究員有參考價值,同時可作為高校和培訓機構相關專業的教學參考書。"
目錄大綱
目錄
教學課件(PPT)
本書源碼
第1章AI量化投資簡介與本書導讀(36min)
1.1量化投資簡介
1.1.1量化投資定義
1.1.2量化投資特點
1.1.3量化投資優勢
1.1.4量化投資發展歷程
1.2AI簡介
1.2.1AI發展簡介
1.2.2人工智能算法簡介
1.2.3AI應用現狀
1.2.4ChatGPT演進歷程與金融應用
1.3研究背景及意義
1.3.1普通投資者業績現狀
1.3.2普通投資者如何改變現狀
1.3.3AI驅動加速量化策略研發
1.4量化人的知識結構
1.5配套的資料
第2章量化投研平臺搭建(14min)
2.1量化投研平臺簡介
2.2投研平臺常用模塊簡介
2.2.1數據庫模塊簡介
2.2.2常用在線數據庫
2.2.3常用本地數據庫
2.2.4策略構建模塊簡介
2.2.5策略回測模塊簡介
2.3投研平臺實例: BigQuant
2.3.1量化數據庫模塊實例
2.3.2策略構建模塊實例
2.4常見投研平臺與開源框架介紹
2.4.1常見投研平臺
2.4.2常見開源框架
第3章人工智能時代下的量化策略開發(25min)
3.1證券交易發展歷程
3.2AI時代的量化策略開發與傳統量化策略開發比較
3.2.1傳統策略開發的問題
3.2.2AI驅動量化策略開發的特點
3.2.3策略開發流程異同
3.3AI技術在量化開發場景下的應用
3.3.1策略靈感來源
3.3.2策略解讀與編碼
3.3.3數據獲取
3.3.4數據表徵與模型構建
3.3.5策略調優
3.3.6業績歸因分析
3.4AI驅動下的知識庫搭建
3.4.1LangChain簡介
3.4.2建立向量數據庫
3.4.3尋找高質量論文並下載
3.4.4利用ChatGPT進行批量論文粗讀
3.4.5利用ChatPDF進行論文精讀
3.4.6建立私有知識庫並進行交互
第4章常見量化策略的分類與介紹(14min)
4.1量化策略分類方式
4.2經典策略類型概述
4.2.1CTA策略概述
4.2.2套利策略概述
4.2.3做市策略概述
4.2.4多因子策略概述
第5章做市策略(31min)
5.1做市的基本概念
5.2高頻做市策略
5.3做市策略的收益來源
5.4經典做市策略AS模型
5.4.1模型推導
5.4.2AS模型通俗解讀與應用
5.4.3AS模型工程化實現
5.5經典做市策略GP模型
5.5.1馬爾可夫鏈
5.5.2馬爾可夫鏈的性質
5.5.3泊松過程與Cox過程
5.5.4鞅參考價格
5.5.5列維過程
5.5.6GP模型通俗解讀
5.5.7基於動態規劃方法的高頻做市策略模型GP模型
5.6訂單簿的泊松過程建模
5.6.1文獻綜述
5.6.2問題引入
5.6.3限價訂單簿隨機過程模型
5.6.4泊松過程模型的應用效果
5.7訂單簿信息作為交易信號
5.7.1開倉邏輯
5.7.2平倉邏輯
5.7.3回測結果
5.7.4訂單流與消息面的關系
5.8訂單簿的機器學習模型
5.8.1訂單簿的DeepLOB模型
5.8.2模型的應用
5.8.3模型的效果
5.9強化學習
5.9.1強化學習簡介
5.9.2強化學習基本概念
5.9.3馬爾可夫決策過程
5.9.4貝爾曼方程
5.9.5貝爾曼最優方程
5.10模型介紹
5.10.1數據準備
5.10.2特徵工程
5.10.3模型準備
5.10.4模型訓練
第6章套利策略(18min)
6.1套利策略概述
6.2標的篩選
6.2.1距離法
6.2.2協整法
6.2.3收益率相關性
6.2.4聚類
6.2.5PCA
6.3預測擇時
6.3.1時間序列法
6.3.2強化學習法
6.4Copula法
6.4.1Copula簡介
6.4.2Copula的理論概述
6.4.3常見的Copula類型
6.4.4交易策略構建
6.5風險管理
6.6總結
第7章CTA策略(22min)
7.1CTA策略簡介
7.1.1CTA的定義
7.1.2CTA策略的投資標的
7.1.3CTA主流操盤策略介紹
7.2CTA策略的重要性
7.2.1CTA策略的危機Alpha屬性
7.2.2CTA策略的靈活性與高回報性
7.2.3CTA策略的缺點
7.3CTA策略的業績表現
7.3.1海外CTA基金規模
7.3.2國內CTA基金發展現狀
7.3.3國內CTA基金業績表現
7.4趨勢跟蹤策略
7.4.1趨勢跟蹤策略的邏輯
7.4.2趨勢跟蹤策略模型
7.4.3經典趨勢跟蹤策略
7.4.4案例: 趨勢跟蹤策略
7.5TALib金融量化技術分析庫介紹
7.5.1TALib簡要介紹
7.5.2常用的技術指標及解釋
7.5.3使用TALib庫實現技術指標
7.6期貨截面多因子策略
7.6.1期貨截面多因子策略的邏輯
7.6.2八大類期貨截面因子
7.6.3期貨多因子策略案例
7.7網格策略介紹
7.7.1網格策略的邏輯
7.7.2網格交易的收益來源
7.7.3網格交易法步驟
7.7.4網格交易的問題
7.7.5動態網格設置
7.7.6網格交易倉位管理
7.7.7網格策略案例
7.7.8筆者寄語
7.8風險管理和資金分配
7.8.1品種選擇
7.8.2杠桿控制
7.8.3資金分配
7.8.4風險控制
7.9使用Optuna+Vectorbt調優交易策略
7.9.1Optuna基礎
7.9.2Vectorbt基礎
7.9.3Optuna 案例分析
7.9.4使用Vectorbt進行回測
7.9.5使用Optuna進行交易策略優化
第8章多因子選股策略(21min)
8.1中國股市簡介
8.2選股策略概述
8.2.1資本性資產定價模型
8.2.2FamaFrench三因子模型
8.2.3Barra因子模型
8.2.4模型關聯
8.3經典選股因子
8.3.1市場因子
8.3.2財務因子
8.3.3行業因子
8.3.4技術因子
8.3.5情緒因子
8.4因子組合方法
8.4.1相關定義
8.4.2等權法
8.4.3歷史因子收益率(半衰)加權法
8.4.4歷史因子半衰加權法
8.4.5最大化 IC_IR 加權法
8.4.6最大化 IC 加權法
8.4.7主成分分析法
8.4.8機器學習法
8.5案例: 多因子選股
8.5.1因子挖掘概述
8.5.2單因子測試體系
8.5.3市場風格與因子監測體系
8.5.4收益因子基本模塊與性質
8.5.5因子挖掘基本方法
8.5.6量價因子挖掘案例
8.5.7高頻因子挖掘案例
8.5.8基本面因子挖掘案例
第9章量化回測(12min)
9.1量化回測簡介
9.1.1量化回測的定義
9.1.2量化回測的目的和意義
9.2量化回測的準備工作
9.3回測平臺選擇
9.4量化回測
9.4.1回測引擎介紹
9.4.2策略回測架構
9.4.3常見對象說明
9.4.4回測引擎API
9.4.5重要API介紹
9.5量化回測結果分析
9.5.1收益概況
9.5.2績效分析
9.5.3交易及持倉
9.6量化回測經典案例
9.6.1買入並持有策略
9.6.2基金雙均線策略
9.6.3可轉債雙低策略
9.6.4AS模型做市策略
9.6.5跨期套利策略
9.6.6期貨海龜交易策略
9.6.7期貨布林帶趨勢策略
9.6.8基於小市值的因子選股策略
9.7量化回測註意事項
9.7.1理解回測的目的和意義
9.7.2數據準備和清洗
9.7.3策略參數優化
9.7.4交易成本、滑點、實盤一致性處理
9.7.5其他量化回測中常見的坑
9.7.6風險控制與資金管理
第10章實盤準備(20min)
10.1瞭解交易市場
10.2瞭解交易所的規則
10.2.1中國股票市場交易規則
10.2.2中國期貨市場交易規則
10.3經紀商的選擇
10.3.1股票經紀商
10.3.2期貨經紀商
10.4選擇交易標的
10.4.1股票交易標的選擇
10.4.2期貨交易標的選擇
10.5交易平臺的選擇
10.6交易櫃台的選擇
10.7交易網絡的選擇
10.8服務器的選擇
10.9高頻交易的終極選擇
10.10交易中的風險控制
10.11瞭解你自己
10.12總結與展望
10.12.1總結
10.12.2展望
10.12.3寄語
參考文獻