AI量化投资

第 1 章  量化思想  
1.1 超额 α 实证案例 
1.1.1 定量构建三级基金池 
1.1.2 通过“AOA”分析法进行大类资产配置 
1.1.3 检验正交 ( 独立 ) 的多条投资回报流 
1.1.4 组建风险收益模型 
1.1.5 模型延伸：通过 JDBC 驱动连接 MySQL 接口 
1.2 万物皆是算法 
1.2.1 生物学的算法属性 
1.2.2 机器学习算法与数学机械化概述 
1.3 什么是量化投资 
1.3.1 量化战胜市场 
1.3.2 主观投资与量化投资 
1.3.3 全球证券投资的上升策略 
1.3.4 经典多因子量化三要素 
1.3.5 多因子投资拓扑结构 
1.3.6 算力与 tick 颗粒度 
1.3.7 算法暴力会人为造成服务器“燃料”短缺 
1.3.8 量化策略能盈利的底层逻辑 
1.4 什么是 AI 量化投资 
1.4.1 AI 量化投资与量化投资的本质区别 
1.4.2 收益与高流动性显著相关 
1.5 AI 用于投资策略的三项前提条件 
第 2 章  量化实践 
2.1 定量设计现金管理方案 
2.2 基金科学定投 
2.2.1 蒙特卡罗模拟的原理 
2.2.2 误差分析 
2.2.3 定投钝化 
2.3 时间分辨率为何深度影响投资收益率 
2.3.1 时间分辨率 
2.3.2 投资时间颗粒度与复利理论最大值 
第 3 章  量化方法  
3.1 线性相关度 
3.1.1 计算方法 
3.1.2 用于宏观经济因子 
3.1.3 构建不相关投资回报流 
3.1.4 线性相关度延伸： Spearman 相关度 
3.2 灰色相关矩阵 
3.2.1 股票走势的灰色性 
3.2.2 灰色关联度计算方法 
3.2.3 用于宏观经济因子 
3.3 多因子投资 
3.3.1 因子暴露、因子溢价、因子模型、资产向量图 
3.3.2 构建多因子投资向量通式 
3.3.3 单因子溢价 
3.3.4 双因子溢价 
3.3.5 因子检验 
3.3.6 多因子分析的主观性 
3.4 云模型，不确定性的 AI 
3.4.1 “云滴”的随机性与模糊性 
3.4.2 云滴模拟基金的风格漂移 
3.5 贝叶斯判别法，先验概率的 AI 
3.5.1 后验概率 
3.5.2 判别股票的动量反转 
3.6 K-means 聚类法 
3.6.1 数学原理 
3.6.2 中证 1000 成分股量价因子聚类 
3.6.3 A 股全指个股量价因子聚类 
3.7 行为金融交易法 
3.7.1 前景理论 
3.7.2 面向未来 
3.7.3 信息交易者与噪声交易者 
第 4 章  量化策略  
4.1 量化投资流程与策略分类 
4.1.1 策略实现流程 
4.1.2 量化策略分类 
4.2 指数增强策略 
4.3 对冲中性策略 
4.3.1 策略原理 
4.3.2 期货升贴水 
4.3.3 ETF 对冲概述 
4.4 网格交易策略 
4.4.1 网格交易原理 
4.4.2 沪深 300 实证案例 
4.4.3 策略缺点与优化 
4.5 风险平价策略 
4.5.1 原始模型 
4.5.2 常规模型 
4.5.3 模型求解 
4.5.4 增强模型 
4.5.5 杠杆模型 
4.6 CTA 策略 
4.7 量化策略的趋势 
第 5 章  风险控制绕不开凯利公式 
5.1 普适的凯利公式 
5.2 胜率和赔率决定冒险投资的仓位 
5.3 公式推导 
5.4 计算机动态模拟 
5.5 凯利投资准则 
第 6 章  交易信息系统外接 
6.1 接入门槛 
6.2 系统外接 IT 架构 
下篇 AI 方法及投资策略
第 7 章  遗传算法在黄金投资中的应用 
7.1 AI 算法思想 
7.1.1 边缘活跃效应 
7.1.2 AI 算法时代 
7.1.3 量化投资在我国的发展阶段 
7.2 遗传算法概述 
7.2.1 重度参与飞机发动机设计 
7.2.2 生物学基础 
7.3 遗传算法关键数学原理 
7.3.1 编解码 
7.3.2 复制运算 
7.4 遗传算法寻优举例 
7.4.1 编码 
7.4.2 评价个体适应度 
7.4.3 新种群复制 
7.4.4 交配点发生交配 
7.4.5 基因突变 
7.5 遗传算法拓展 
7.5.1 协力进化 
7.5.2 遗传算法与弗洛伊德梦的解析法 
7.6 计算机程序设计框架 
7.6.1 伪代码设计 
7.6.2 参数设计准则 
7.6.3 适应度函数调优 
7.7 黄金现货对冲套利 
7.7.1 黄金投资重要属性 
7.7.2 定价要素 
7.7.3 组建模型 
7.7.4 求解非线性多约束双目标函数 
7.7.5 套利策略设计思路 
第 8 章  大规模神经网络及股票非量价复合策略  
8.1 人工神经网络概述 
8.1.1 网络结构 
8.1.2 激励函数 
8.2 经典神经网络模型 
8.2.1 因式分解网络的学习步骤 
8.2.2 基于视网膜感受视野设计 RBF 神经网络 
8.3 设计 BP 神经网络 
8.3.1 鲨鱼嗅闻血腥味原理 
8.3.2 网络学习案例化解析 
8.3.3 网络训练多尺度分析 
8.4 设计 RBF 神经网络 
8.4.1 梯度训练法 
8.4.2 性能要素 
8.5 评价神经网络的泛化能力 
8.6 神经网络核心技术与策略 
8.6.1 震荡的成因 
8.6.2 演绎推理法与绝妙的排列组合算法 
8.7 设计大规模径向基小波神经网络的深度理论 
8.7.1 五层网络拓扑结构 
8.7.2 符号约定 
8.7.3 组建神经网络数学模型 
8.7.4 调整伸缩因子a 
8.7.5 调整尺度因子b 
8.7.6 调整连接权值w 
8.7.7 a、 b、 w动态调整量 
8.7.8 添加网络动量 
8.7.9 非常规定律 
8.8 中证 1000 成分股非量价复合策略 
8.8.1 股价预测的合理性与不合理性 
8.8.2 多策略原理阐述 
8.8.3 因子群挖掘 
8.8.4 股票数据 ETL 
8.8.5 股票数据归一化和添加白噪声 
8.8.6 启动训练 
8.8.7 股价预测准确率 
8.8.8 交易指令设计 
8.8.9 为什么有些机器学习量化策略没有成功 
8.8.10 神经网络在股票优选策略中的独特优势 
第 9 章 小波分析及金融工程多维度应用  
9.1 小波分析框架理论 
9.1.1 数学变换的含义 
9.1.2 傅里叶变换的局限性在哪里 
9.1.3 傅里叶变换和小波变换图谱对比 
9.1.4 小波的定义及特征 
9.2 小波伸缩平移和变换 
9.2.1 母小波伸缩平移 
9.2.2 连续小波变换 
9.3 小波分解与重构 
9.3.1 平均和细节 
9.3.2 多尺度分析 
9.4 市场熵投资策略 
9.4.1 海森堡测不准定律 
9.4.2 小波窗函数影响市场动量因子 
9.4.3 统一论的量化投资体系 
9.5 抽取震荡中的道琼斯工业指数行情趋势 
9.6 识别可转债的资本市场炒作行为 
9.6.1 进可攻，退可守的可转债 
9.6.2 数据洗涤 
9.6.3 基于 db6 小波基对炒作信号进行变换 
9.6.4 通过噪声分贝识别可转债市场炒作行为 
9.6.5 模型延伸：提升时间分辨率 
第 10 章  前沿研究与探索 
10.1 斐波那契投资模型 
10.1.1 通项式 
10.1.2 简单是股票策略有效的必要条件 
10.2 股票能量守恒定律 
10.2.1 物理方程式 
10.2.2 实证案例 
10.3 最速降线：股票利空出尽的快速途径 
10.3.1 参数方程组 
10.3.2 延伸理解 
10.3.3 利空出尽最速衰减规律 
后记  
参考文献