AI量化投資

第 1 章  量化思想  
1.1 超額 α 實證案例 
1.1.1 定量構(gòu)建三級基金池 
1.1.2 通過“AOA”分析法進行大類資產(chǎn)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(qū)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(shù)學機械化概述 
1.3 什么是量化投資 
1.3.1 量化戰(zhàn)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(jīng)典多因子量化三要素 
1.3.5 多因子投資拓撲結(jié)構(gòu) 
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 什么是 AI 量化投資 
1.4.1 AI 量化投資與量化投資的本質(zhì)區(qū)別 
1.4.2 收益與高流動性顯著相關(guān) 
1.5 AI 用于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(xiàn)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(guān)度 
3.1.1 計算方法 
3.1.2 用于宏觀經(jīng)濟因子 
3.1.3 構(gòu)建不相關(guān)投資回報流 
3.1.4 線性相關(guān)度延伸： Spearman 相關(guān)度 
3.2 灰色相關(guān)矩陣 
3.2.1 股票走勢的灰色性 
3.2.2 灰色關(guān)聯(lián)度計算方法 
3.2.3 用于宏觀經(jīng)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(chǎn)向量圖 
3.3.2 構(gòu)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 云模型，不確定性的 AI 
3.4.1 “云滴”的隨機性與模糊性 
3.4.2 云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 后驗概率 
3.5.2 判別股票的動量反轉(zhuǎn) 
3.6 K-means 聚類法 
3.6.1 數(shù)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(xiàn)流程 
4.1.2 量化策略分類 
4.2 指數(shù)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(wǎng)格交易策略 
4.4.1 網(wǎng)格交易原理 
4.4.2 滬深 300 實證案例 
4.4.3 策略缺點與優(yōu)化 
4.5 風險平價策略 
4.5.1 原始模型 
4.5.2 常規(guī)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 計算機動態(tài)模擬 
5.5 凱利投資準則 
第 6 章  交易信息系統(tǒng)外接 
6.1 接入門檻 
6.2 系統(tǒng)外接 IT 架構(gòu) 
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(fā)展階段 
7.2 遺傳算法概述 
7.2.1 重度參與飛機發(fā)動機設計 
7.2.2 生物學基礎 
7.3 遺傳算法關(guān)鍵數(shù)學原理 
7.3.1 編解碼 
7.3.2 復制運算 
7.4 遺傳算法尋優(yōu)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(fā)生交配 
7.4.5 基因突變 
7.5 遺傳算法拓展 
7.5.1 協(xié)力進化 
7.5.2 遺傳算法與弗洛伊德夢的解析法 
7.6 計算機程序設計框架 
7.6.1 偽代碼設計 
7.6.2 參數(shù)設計準則 
7.6.3 適應度函數(shù)調(diào)優(yōu) 
7.7 黃金現(xiàn)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(shù) 
7.7.5 套利策略設計思路 
第 8 章  大規(guī)模神經(jīng)網(wǎng)絡及股票非量價復合策略  
8.1 人工神經(jīng)網(wǎng)絡概述 
8.1.1 網(wǎng)絡結(jié)構(gòu) 
8.1.2 激勵函數(shù) 
8.2 經(jīng)典神經(jīng)網(wǎng)絡模型 
8.2.1 因式分解網(wǎng)絡的學習步驟 
8.2.2 基于視網(wǎng)膜感受視野設計 RBF 神經(jīng)網(wǎng)絡 
8.3 設計 BP 神經(jīng)網(wǎng)絡 
8.3.1 鯊魚嗅聞血腥味原理 
8.3.2 網(wǎng)絡學習案例化解析 
8.3.3 網(wǎng)絡訓練多尺度分析 
8.4 設計 RBF 神經(jīng)網(wǎng)絡 
8.4.1 梯度訓練法 
8.4.2 性能要素 
8.5 評價神經(jīng)網(wǎng)絡的泛化能力 
8.6 神經(jīng)網(wǎng)絡核心技術(shù)與策略 
8.6.1 震蕩的成因 
8.6.2 演繹推理法與絕妙的排列組合算法 
8.7 設計大規(guī)模徑向基小波神經(jīng)網(wǎng)絡的深度理論 
8.7.1 五層網(wǎng)絡拓撲結(jié)構(gòu) 
8.7.2 符號約定 
8.7.3 組建神經(jīng)網(wǎng)絡數(shù)學模型 
8.7.4 調(diào)整伸縮因子a 
8.7.5 調(diào)整尺度因子b 
8.7.6 調(diào)整連接權(quán)值w 
8.7.7 a、 b、 w動態(tài)調(diào)整量 
8.7.8 添加網(wǎng)絡動量 
8.7.9 非常規(guī)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(shù)據(jù) ETL 
8.8.5 股票數(shù)據(jù)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 為什么有些機器學習量化策略沒有成功 
8.8.10 神經(jīng)網(wǎng)絡在股票優(yōu)選策略中的獨特優(yōu)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(shù)學變換的含義 
9.1.2 傅里葉變換的局限性在哪里 
9.1.3 傅里葉變換和小波變換圖譜對比 
9.1.4 小波的定義及特征 
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(xù)小波變換 
9.3 小波分解與重構(gòu) 
9.3.1 平均和細節(jié) 
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(shù)影響市場動量因子 
9.4.3 統(tǒng)一論的量化投資體系 
9.5 抽取震蕩中的道瓊斯工業(yè)指數(shù)行情趨勢 
9.6 識別可轉(zhuǎn)債的資本市場炒作行為 
9.6.1 進可攻，退可守的可轉(zhuǎn)債 
9.6.2 數(shù)據(jù)洗滌 
9.6.3 基于 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(zhuǎn)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 股票能量守恒定律 
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(shù)方程組 
10.3.2 延伸理解 
10.3.3 利空出盡最速衰減規(guī)律 
后記  
參考文獻