??

本書主要以國內A股市場為例，借助第三方量化交易平臺，講述了KNN、線性模型、決策樹、支持向量機、樸素貝葉斯等常見機器學習算法在交易策略中的應用，同時展示了如何對策略進行回測，以便讓讀者能夠有效評估自己的策略。

另外，本書還講解了自然語言處理（NLP）技術在量化交易領域的發展趨勢，并使用時下熱門的深度學習技術，向讀者介紹了多層感知機、卷積神經網絡，以及長短期記憶網絡在量化交易方面的前瞻性應用。

本書沒有從Python基礎語法講起，對于傳統交易策略也只是一帶而過，直接將讀者帶入機器學習的世界。本書適合對Python語言有一定了解且對量化交易感興趣的讀者閱讀。

本書內容及體系結構

本書以完全沒有量化交易經驗的對象視角，從最基礎的環境搭建開始進行講解，并直接帶讀者進入多因子、機器學習的時代。本書后半部分更是緊貼國際前沿趨勢，介紹了NLP技術在量化交易領域的應用，以便讀者參考。

本書更多地采用啟發式的方法，讓讀者朋友能夠跟著相關內容不停思考和嘗試，而不是簡單地照搬現有策略。

第1章，先是簡單介紹了小瓦的情況，以便讓讀者朋友們更有代入感；緊接著對人類的交易歷史做了簡明的闡述，主要是為了讓讀者朋友們可以了解交易技術的發展脈絡，對量化交易的概念有基本的認知；隨后直接帶讀者進入環境配置的環節，并使用真實的股票數據集進行實驗，讓喜歡實操的讀者對量化交易有一個直觀的感受，并產生興趣。

第2章，通過對小瓦策略的回測，向讀者朋友介紹了回測的基本概念和簡單方法；隨后簡單介紹了一些歷史上比較經典的交易策略—移動平均策略和海龜策略，并通過簡單的回測讓讀者朋友對這兩種策略的收益情況有一個大致的了解。

第3章，就開始讓讀者朋友們和小瓦一起接觸機器學習的概念了。本章先是用通俗易懂的例子講解了有監督學習和無監督學習的概念；然后對機器學習中的分類和回歸進行了闡述；隨后用真實的股票數據訓練了一個簡單的KNN模型，并基于KNN模型編寫了簡單的交易策略，最后對這個策略進行了簡單的回測。

第4章，為了能夠讓小瓦和讀者朋友們更加專注于策略的編寫和回測，我們挑選了一個第三方量化交易平臺，并基于該平臺的研究環境，講解了如何獲取股票的概況數據、財務數據、股東數據、主力資金流入/流出數據等。從本章開始，本書附帶的代碼，需要在該平臺上運行。

第5章，開始介紹時下流行的因子。為了給讀者朋友帶來更多啟發，我們讓小瓦發動自己的聰明才智設計了一個專屬于自己的“瓦氏因子”，并借此向讀者朋友展示了因子的基本原理；隨后使用代碼，通過第三方量化交易平臺獲取了股票的市值因子、現金流因子、凈利率因子等；最后別出心裁地使用了無監督學習的主成分分析（PCA）算法，把上述一些因子進行了“打包”，并借此進行了選股的實驗。

第6章，介紹了對因子進行分析的方法。這里我們建立了一個實驗用的投資組合，并以“成交量的5日指數移動平均”因子為例，介紹了如何對因子進行收益分析、因子的IC分析，以及因子換手率、因子相關性和因子預測能力的分析，以便讓讀者朋友對因子的評價方法有基本的了解，并可以掌握相關的方法。

第7章，開始將機器學習與多因子進行結合。介紹了機器學習中的線性模型算法，包括最基礎的線性回歸算法和使用正則化的嶺回歸算法，并使用實驗數據集對兩種算法進行了對比；緊接著使用了多個因子與線性模型結合，編寫了策略；最后使用了第三方量化交易平臺的回測功能對策略進行了回測，在這個過程中，讀者朋友也可以掌握回測涉及的相關指標。

第8章，將機器學習算法與多因子的結合更進一步。本章不僅僅介紹了決策樹與隨機森林算法，更是使用了決策樹的判斷特征重要性的功能對若干個因子的重要性進行了計算；隨后，我們使用了決策樹“認為”比較重要的因子，結合隨機森林算法編寫了交易策略；同樣地，也再次對策略進行了回測。

第9章，將近年來普遍在量化交易中表現比較好的支持向量機（SVM）帶到讀者面前。本章從基本的原理開始介紹，之后提出了動態因子選擇策略—每次運行程序都使用決策樹算法選擇重要性最高的因子，再用其來訓練支持向量機模型，并形成策略和進行回測。可以說，到這一章，讀者朋友們可以對傳統機器學習算法在量化交易領域的應用有了初步的掌握。

第10章，會讓小瓦和讀者朋友一起，進入一個更新的世界—開始探討更加前沿的嘗試：將自然語言處理技術應用于量化交易當中。本章先介紹了國際上一些知名機構在自然語言處理和量化交易方向的一些成果，隨后使用真實的新聞文本數據，介紹了中文的分詞方法及應用，為后面的章節打下基礎。

第11章在第10章的基礎上，讓小瓦和讀者朋友一起學習文本向量化方法，并使用潛狄利克雷分布（LDA）進行話題建模技術的學習。通過本章的學習，小瓦將能夠掌握如何使用機器學習算法，從大量文本中快速獲取話題。

第12章，開始讓小瓦和讀者朋友一起，進行文本數據情感分析的實驗。在本章中，我們還會繼續使用到文本向量化方法；之后使用了在文本分類中非常常用的樸素貝葉斯算法。

第13章，我們讓小瓦開始接觸神經網絡算法。作為近幾年大熱的人工智能算法，神經網絡不論是在圖像識別方面還是在文本分類方面，都有廣泛的應用。本章主要向小瓦和讀者朋友介紹對用戶非常友好的深度學習框架—Keras，并介紹如何使用Keras內置的工具對文本數據進行處理；隨后使用Keras搭建了多層感知機（全連接層）神經網絡，對文本的情緒進行分類實驗。

第14章，在小瓦已經掌握多層感知機的基礎上，我們進一步介紹了卷積神經網絡和長短期記憶網絡的原理，并基于文本分類任務，分別訓練了卷積神經網絡和長短期記憶網絡。經過本章的學習之后，小瓦和讀者朋友可以掌握卷積神經網絡和長短期記憶網絡的原理和基本的訓練方法。

第15章，提出了一些問題，并對小瓦未來學習和研究的方向給出了一些建議，也給讀者朋友提供了一些參考。

贈書

接下來是福利時間，本次我們贈送出3本書籍（前3次獲得贈書的朋友不能再參與本次贈書活動），想要獲得書籍的同學，在本公眾號下方留言，根據點贊數的高低，1月4日晚上22:00統計出獲獎讀者并進行公示，屆時聯系有三微信Longlongtogo即可。

如果沒有獲得贈書，也可以點擊閱讀原文，或者掃碼獲取購買鏈接：https://item.jd.com/13036499.html

往期相關

• 【CV夏季劃】2021年有三AI-CV夏季劃出爐，沖刺秋招，從CV基礎到模型優化徹底掌握
  

• 【CV秋季劃】生成對抗網絡GAN有哪些研究和應用，如何循序漸進地學習好？

• 【CV秋季劃】模型優化很重要，如何循序漸進地學習好？

• 【CV秋季劃】人臉算法那么多，如何循序漸進地學習好？

• 【CV秋季劃】圖像質量提升與編輯有哪些研究和應用，如何循序漸進地學習好？

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的【赠书】深入浅出Python量化交易实战的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。