AI時代錢滾錢

AI時代錢滾錢：量化自動交易躺著賺

作者： 李必文

出版社：深智數位

定價：750元

目錄

▌上篇 量化系統

第一章 量化思想

1.1 超額 α 實證案例

1.1.1 定量建構三級基金池

1.1.2 透過「AOA」分析法進行大類資產配置

1.1.3 檢驗正交( 獨立) 的多筆投資回報流

1.1.4 組建風險收益模型

1.1.5 模型延伸：透過JDBC 驅動連接MySQL 介面

1.2 萬物皆是演算法

1.2.1 生物學的演算法屬性

1.2.2 機器學習演算法與數學機械化概述

1.3 什麼是量化投資

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 經典多因數量化三要素

1.3.5 多因數投資拓撲結構

1.3.6 算力與tick 顆粒度

1.3.7 演算法暴力會人為造成伺服器「燃料」短缺

1.3.8 量化策略能盈利的底層邏輯

1.4 什麼是 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

第二章 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 蒙地卡羅模擬的原理

2.2.2 誤差分析

2.2.3 定投鈍化

2.3 時間解析度為何深度影響投資收益率

2.3.1 時間解析度

2.3.2 投資時間顆粒度與複利理論最大值

第三章 量化方法

3.1 線性相關度

3.1.1 計算方法

3.1.2 用於巨觀經濟因數

3.1.3 建構不相關投資回報流

3.1.4 線性相關度延伸：Spearman 相關度

3.2 灰色相關矩陣灰色相關矩陣

3.2.1 股票走勢的灰色性

3.2.2 灰色連結度計算方法

3.2.3 用於巨觀經濟因數

3.3 多因數投資

3.3.1 因數暴露、因數溢價、因數模型、資產向量圖

3.3.2 建構多因數投資向量通式

3.3.3 單因數溢價

3.3.4 雙因數溢價

3.3.5 因數檢驗

3.3.6 多因數分析的主觀性

3.4 雲端模型，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 貝氏判別法，先驗機率的 AI

3.5.1 後驗機率

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 成分股量價因數聚類

3.6.3 A 股全指個股量價因數聚類

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 資訊交易者與雜訊交易者

第四章 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 策略缺點與最佳化

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 槓桿模型

4.6 CTA 策略

4.7 量化策略的趨勢

第五章 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

第六章 交易資訊系統外接

6.1 連線門檻

6.2 系統外接 IT 架構

▌下篇 AI 方法及投資策略

第七章 遺傳演算法在黃金投資中的應用

7.1 AI 演算法思想

7.1.1 邊緣活躍效應

7.1.2 AI 演算法時代

7.1.3 量化投資在中國的發展階段

7.2 遺傳演算法概述

7.2.1 重度參與飛機引擎設計

7.2.2 生物學基礎

7.3 遺傳演算法關鍵數學原理

7.3.1 編解碼

7.3.2 複製運算

7.4 遺傳演算法尋優舉例

7.4.1 編碼

7.4.2 評價個體適應度

7.4.3 新種群複製

7.4.4 交配點發生交配

7.4.5 基因突變

7.5 遺傳演算法拓展

7.5.1 協力進化

7.5.2 遺傳演算法與佛洛伊德夢的解析法

7.6 電腦程式設計框架

7.6.1 虛擬程式碼設計

7.6.2 參數設計準則

7.6.3 適應度函式調優

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式

7.7.5 套利策略設計想法

第八章 大規模神經網路及股票非量價複合策略

8.1 類神經網路概述

8.1.1 網路結構

8.1.2 激勵函式

8.2 經典神經網路模型

8.2.1 因式分解網路的學習步驟

8.2.2 基於視網膜感受視野設計RBF 神經網路

8.3 設計 BP 神經網路

8.3.1 鯊魚嗅聞血腥味原理

8.3.2 網路學習案例化解析

8.3.3 網路訓練多尺度分析

8.4 設計 RBF 神經網路

8.4.1 梯度訓練法

8.4.2 性能要素

8.5 評價神經網路的泛化能力

8.6 神經網路核心技術與策略

8.6.1 震盪的成因

8.6.2 演繹推理法與絕妙的排列組合演算法

8.7 設計大規模徑向基小波神經網路的深度理論

8.7.1 五層網路拓撲結構

8.7.2 符號約定

8.7.3 組建神經網路數學模型

8.7.4 調整伸縮因數a

8.7.5 調整尺度因數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 增加網路動量

8.7.9 非常規定律

8.8 中證 1000 成分股非量價複合策略

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 因數群挖掘

8.8.4 股票資料ETL

8.8.5 股票資料歸一化和增加白色雜訊

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 為什麼有些機器學習量化策略沒有成功

8.8.10 神經網路在股票優選策略中的獨特優勢