excel表格_excel函数公式大全_execl从入门到精通
量化投资技术分析实战:解码股票与期货交易模型(PDF版)2024-06-21 07:42:35
第一次知道濮元恺先生是因为他的公共号“量化投资训练营”，里面提供了众多原创性的量化策略源码，这对业内的发展，特别是刚入行的新手来说，无疑是一个重要的助力。2018年年初，他将自己多年的从业经验整理成一本新书，并邀请我写序，欣然同意。
本书的重要特点是从学习者的经验出发，对章节内容进行了有针对性的安排，例如将择时策略放在最前面讲解，这点我觉得非常有价值，因为大多数交易员一开始就是通过高抛低吸来获得收益的，对于资产配置、组合投资、收益风险的调整等复杂的概念，只有等到真正管理大资金的时候才会有更加深入的体会。由于本书是一个以策略编写为核心导向的教材，所以循序渐进地安排了相关的内容。
第1章和第2章重点介绍了几个重要的编程语言和编程系统，包括聚宽、米狗、Python、TB等。目前业内的量化策略环境已经有了很大的改观，这有赖于众多第三方系统提供商的努力，特别对于初级用户来说，如果不是对交易速度有要求的策略，利用第三方平台快速验证策略模型，是一个不错的选择。
在第3章的择时章节中，作者选择是以技术分析为主的几个择时指标，特别是通道、自适应均线和海龟系统，这是在传统的技术分析中得到广泛应用的择时模型，作为趋势跟随策略，往往并不需要复杂的模型，简单的指标反而更有效。
在股票基本面量化的章节中，本书选取的几个指标，也是业内同行公认的长期有效的几个因子，包括小市值因子、PEG指标、反转因子、资金流和筹码模型。虽然2017年A股市场大白马暴涨，使得众多因子失去了效果，但从一个较长的周期来看，前述的几个因子长期一定会有超额收益，从2018年年初开始，市场又进入正常规律，这些长期有效的因子也一定会在未来的市场中贡献价值。同时在第6章的股票多因子中，对于多因子模型的基础方法做了更加深入的探讨，介绍了多个统计学的模型，特别是对机器学习如何用于股票多因子做了一定程度的普及。机器学习作为人工智能的重要分支，有着普通投资人不具备的广数据的覆盖能力，从而可以根据市场规律尽快找到市场风格特征，从而获得风格收益。
CTA也是量化投资一个重要领域，虽然商品期货和期权的交易量目前还不是很大，但是从国际的发展来看，CTA已经是资本配置中一个重要的选择，在国际上很多资产管理机构也采用量化的方法实行CTA策略交易，本书的第5章和第7章对此进行了实战层面的探讨。
毫无疑问，本书是一个以实战为导向的工具书，濮元恺先生也将自己的策略和模型应用于实战中，且取得了不错的收益，在业内颇有知名度，同时获得了众多投资人的认可。这本书内容翔实、案例众多，特别是提供了可以共享的策略代码，对于作者的分享精神，是比盈利更加重要的价值，特此推荐此书。中国量化投资学会（CQIA）理事长 丁鹏
2018/5/1
目录
==============================================================
版权信息
推荐序
通向量化投资之路并不平坦
第1章 量化投资入门建议与行业概况
1.1 学习路线图与重要知识节点
1.2 稳步上升的资金曲线是否存在
1.3 有保留地相信回测结果
1.4 绩效评估常见指标和方法
1.5 部分可视化免编程量化分析平台
第2章 快速驾驭编程语言知识
2.1 TB基本编程——基础知识
2.2 TB基本编程——条件循环语句
2.3 Python语言比你想象中更简单
2.4 Python Numpy库常用操作解读
2.5 Python Pandas库常用操作解读
2.6 实战开始：在股票平台进行数据查询
第3章 股票期货择时交易模型
3.1 ETF二八择时法则，跑赢基础股票指数
3.2 Aberration系统，长期活跃于期货市场
3.3 低价股+逆向双均线模型，初步探索个股特征
3.4 CCI通道+自适应系统，驯服商品期货波动
3.5 AMA自适应均线系统捕捉价格启动机会
3.6 “海龟交易法则”辉煌战绩与实践
第4章 基本面和技术面交易模型
4.1 股票模型思路形成与常见问题
4.2 小市值二八过滤止损模型，A股明星以小为美
4.3 PEG价值选股模型，复制彼得·林奇投资路径
4.4 技术指标测试平台
4.5 动量效应和反转效应
4.6 换手率和资金流模型，主力和筹码盘根错节
4.7 个股CTA策略尝试
4.8 高频因子低频交易，“聪明钱”因子模型
4.9 股息率高分红模型，与参数优化实践
第5章 更有效的期货交易模型构建
5.1 万变不离其宗，均线类模型本质剖析
5.2 逆势交易在期货市场的初步实践
5.3 大小周期双频率模型CTA实战
5.4 OpenRangeBreaker短线突破交易系统
第6章 股票多因子模型实战
6.1 理解回归问题的原理
6.2 基本的统计学知识补充
6.3 股票多因子模型的实质
6.4 股票收益50年探索历程
6.5 单因子分析方法
6.6 多因子选股模型：多元线性回归法
6.7 SVR机器学习多因子建模
第7章 模型与实盘投资难点
7.1 参与CTA市场的必要性和必然性
7.2 止损模块的重要意义与取舍
7.3 我们更加侧重的绩效评估理论
7.4 警惕隐藏的回撤幅度和回撤时间
结束语 不断失败和不断迭代
编辑推荐
==============================================================
零基础编程语言学习，像使用Excel一样入门程序化交易。 读完本书内容和配套案例代码，即可编写出实用的量化交易模型。 以股票和期货为主战场，快速提升数量化投资能力。
特别说明：购买此电子书，暂无视频，敬请谅解。
作者简介
==============================================================
濮元恺
从2009年开始研究并撰写技术指标分析资料，拥有十几年的A股投资经历和程序化交易模型开发经历。2016年加入中国量化投资学会专家委员会，目前在励京投资管理（北京）有限公司任研究总监、基金经理。作者创立的“量化投资训练营”微信公众号，聚集了一批活跃且热心交流分享的投资业内人士，储备了大量知识类文章。
精彩书摘
==============================================================
2016年我被一个问题困扰了很久，一位读者朋友请我提供量化投资学习的“路线图”，或者说进入这个行业的学习路径。我从来没有思考过这个问题，自己和身边从事量化工作的同事都没有想过知识图谱是如何构建的，又是以哪里作为突破口构建的。后来我意识到问题的严重性，如果路线图制定得当，学习效率将会得以提高；如果制定不妥甚至错误，则可能会使学习者几年时间毫无进展。
在调研了多位量化交易者之后，我总结出量化投资学习方面的路线图。
（1）体会各类资产的择时建模，激发学习兴趣。
各类资产的择时问题较难且有深度，但是也相对简单，因为门槛低，“低买高卖”思路非常清晰。在单一时间序列模型上，动量容易被均线类、突破类模型捕捉，典型应用是股票指数择时。相信很多读者最初也是被一条能够跑赢大盘指数的资金曲线所吸引的。
在个股上择时较为困难，除了少数大盘股有较为持续的动量之外，大部分中小盘股票不容易做择时，很容易追高买入，并在不利点位卖出。择时的工具简单多样，比如移动平均线、布林通道，各类技术指标如MACD、RSI之类基本上就是因为能择时才拥有广泛的“群众基础”。
将这些指标加工处理后，配上止损、止盈条件，即可直接应用于商品期货市场，该市场的中低频交易策略大部分以动量类技术指标为主，原理并不难理解，也有部分技术指标可以反向使用，作为“超买超卖”类指标来表示过度乖离。择时在外汇类资产上也能大量使用，基本上也是将商品期货的模型搬运过去，然后做适当修改。在进行大类资产配置时，由于择时工具面对更低的数据噪声，往往效果更好，使用一个逻辑简单的模型去应对债市或者房地产市场相关数据，能带来令人惊讶的效果。
这个阶段的研究进度因人而异，有一定基础的研究者可能几周即可找到能赚钱的择时模型，而大部分交易者可能需要数月甚至数年时间来培养对动量的把握能力，或者因为基本的编程语言关口无法通过而停留在这一阶段。
（2）编程语言障碍要在模型开发中逐一克服，否则会陷入对程序的恐慌和无助。
标签: excel中的移动平均在哪里