具体描述
《量化投资:策略与技术(修订版)》是国内少有的有关量化投资策略的著作。首先，介绍了量化投资大师西蒙斯的传奇故事（连续20年，每年赚60%）。然后，用60多个案例介绍了量化投资的各个方面的内容，主要分为策略篇与理论篇两部分。策略篇主要包括：量化选股、量化择时、股指期货套利、商品期货套利、统计套利、期权套利、算法交易和资产配置等。理论篇主要包括：人工智能、数据挖掘、小波分析、支持向量机、分形理论、随机过程及IT技术等。最后介绍了作者开发的D—Alpha量化对冲交易系统，该系统全球市场验证显示具有长期稳健的收益率。
作者简介
丁鹏，中国量化投资研究的先行者，他开发的D-Alpha量化对冲交易系统，实战中获得持续稳健的收益率。
毕业于上海交通大学计算机系获得工学博士学位，是国际知名的人工智能研究员，美国电子电气工程师学会(IEEE)、美国金融学会(AFA)会员。
2001年底进入上海交通大学工作，在金融工程、金融数学领域深入研究多年，在国际顶级刊物和会议上发表过十余篇学术文章，获得国家发明专利5项。
2008年进入东方证券股份有限公司工作，从事量化投资研究，在量化选股、量化择时、统计套利、对冲交易等方面开发了多个策略模型，实战中取得良好的业绩效果。
目录信息
第1章 量化投资概念 2
1.1 什么是量化投资 2
1.1.1 量化投资定义 2
1.1.2 量化投资理解误区 3
1.2 量化投资与传统投资比较 5
1.2.1 传统投资策略的缺点 5
1.2.2 量化投资策略的优势 7
1.2.3 量化投资与传统投资
策略的比较 8
1.3 量化投资历史 10
1.3.1 量化投资理论发展 10
1.3.2 海外量化基金的
发展 12
1.3.3 量化投资在中国 15
1.4 量化投资主要内容 16
1.5 量化投资主要方法 20
第2章 量化选股 24
2.1 多因子 25
2.1.1 基本概念 26
2.1.2 策略模型 26
2.1.3 实证案例：
多因子选股模型 29
2.2 风格轮动 34
2.2.1 基本概念 35
2.2.2 盈利预期生命周期
模型 37
2.2.3 策略模型 39
2.2.4 实证案例：
中信标普风格 40
2.2.5 实证案例：
大小盘风格 44
2.3 行业轮动 46
2.3.1 基本概念 47
2.3.2 M2行业轮动策略 49
2.3.3 市场情绪轮动策略 52
2.4 资金流 55
2.4.1 基本概念 56
2.4.2 策略模型 59
2.4.3 实证案例：
资金流选股策略 60
2.5 动量反转 63
2.5.1 基本概念 63
2.5.2 策略模型 67
2.5.3 实证案例：动量选股
策略和反转选股策略 70
2.6 一致预期 73
2.6.1 基本概念 74
2.6.2 策略模型 76
2.6.3 实证案例：一致预期
模型案例 79
2.7 趋势追踪 85
2.7.1 基本概念 85
2.7.2 策略模型 87
2.7.3 实证案例：趋势追踪
选股模型 93
2.8 筹码选股 95
2.8.1 基本概念 95
2.8.2 策略模型 98
2.8.3 实证案例：
筹码选股模型 100
2.9 业绩评价 104
2.9.1 收益率指标 104
2.9.2 风险度指标 105
第3章 量化择时 112
3.1 趋势追踪 113
3.1.1 基本概念 113
3.1.2 传统趋势指标 114
3.1.3 自适应均线 122
3.2 市场情绪 126
3.2.1 基本概念 127
3.2.2 情绪指数 129
3.2.3 实证案例：情绪指标
择时策略 130
3.3 时变夏普率 134
3.3.1 Tsharp值的估计
模型 134
3.3.2 基于Tsharp值的择时
策略 136
3.3.3 实证案例 137
3.4 牛熊线 142
3.4.1 基本概念 142
3.4.2 策略模型 144
3.4.3 实证案例：
牛熊线择时模型 146
3.5 Husrt指数 148
3.5.1 基本概念 148
3.5.2 策略模型 150
3.5.3 实证案例 151
3.6 支持向量机 154
3.6.1 基本概念 154
3.6.2 策略模型 155
3.6.3 实证案例：
SVM择时模型 157
3.7 SWARCH模型 162
3.7.1 基本概念 162
3.7.2 策略模型 164
3.7.3 实证案例：
SWARCH模型 167
3.8 异常指标 170
3.8.1 市场噪声 171
3.8.2 行业集中度 173
3.8.3 兴登堡凶兆 175
第4章 股指期货套利 182
4.1 基本概念 183
4.1.1 套利介绍 183
4.1.2 套利策略 185
4.2 期现套利 187
4.2.1 定价模型 187
4.2.2 现货指数复制 188
4.2.3 正向套利案例 192
4.2.4 结算日套利 194
4.3 跨期套利 197
4.3.1 跨期套利原理 197
4.3.2 无套利区间 198
4.3.3 跨期套利触发和
终止 199
4.3.4 实证案例：
跨期套利策略 201
4.3.5 主要套利机会 202
4.4 冲击成本 205
4.4.1 主要指标 206
4.4.2 实证案例：
冲击成本 207
4.5 保证金管理 209
4.5.1 VaR方法 210
4.5.2 VaR计算方法 211
4.5.3 实证案例 212
第5章 商品期货套利 216
5.1 基本概念 217
5.1.1 套利的条件 218
5.1.2 套利基本模式 219
5.1.3 套利准备工作 221
5.1.4 常见套利组合 223
5.2 期现套利 227
5.2.1 基本原理 227
5.2.2 操作流程 228
5.2.3 增值税风险 232
5.3 跨期套利 233
5.3.1 套利策略 233
5.3.2 实证案例：
PVC跨期套利策略 235
5.4 跨市场套利 236
5.4.1 套利策略 236
5.4.2 实证案例：伦铜—
沪铜跨市场套利 237
5.5 跨品种套利 238
5.5.1 套利策略 239
5.5.2 实证案例 240
5.6 非常状态处理 242
第6章 统计套利 244
6.1 基本概念 245
6.1.1 统计套利定义 245
6.1.2 配对交易 246
6.2 配对交易策略 249
6.2.1 协整策略 249
6.2.2 主成分策略 255
6.2.3 行业（股票）轮动
套利策略 258
6.2.4 配对策略改进 261
6.3 股指套利 264
6.3.1 行业指数套利 264
6.3.2 国家指数套利 266
6.3.3 洲域指数套利 267
6.3.4 全球指数套利 268
6.4 融券套利 270
6.4.1 股票—融券套利 270
6.4.2 可转债—融券套利 271
6.4.3 股指期货—
融券套利 272
6.4.4 封闭式基金—
融券套利 273
6.5 外汇套利 275
6.5.1 利差套利 276
6.5.2 货币对套利 278
第7章 期权套利 280
7.1 基本概念 281
7.1.1 期权介绍 281
7.1.2 期权交易 282
7.1.3 牛熊证 283
7.2 股票/期权套利 286
7.2.1 股票—股票期权
套利 286
7.2.2 股票—指数期权
套利 287
7.3 转换套利与反向转换
套利 288
7.3.1 转换套利 288
7.3.2 反向转换套利 290
7.4 跨式套利 292
7.4.1 买入跨式套利 292
7.4.2 卖出跨式套利 294
7.5 宽跨式套利 296
7.5.1 买入宽跨式套利 296
7.5.2 卖出宽跨式套利 297
7.6 蝶式套利 299
7.6.1 买入蝶式套利 299
7.6.2 卖出蝶式套利 301
7.7 飞鹰式套利 303
7.7.1 买入飞鹰式套利 303
7.7.2 卖出飞鹰式套利 304
第8章 算法交易 307
8.1 基本概念 308
8.1.1 算法交易定义 308
8.1.2 算法交易分类 309
8.1.3 算法交易设计 311
8.2 被动交易算法 312
8.2.1 冲击成本 313
8.2.2 等待风险 315
8.2.3 常用被动型交易
策略 317
8.3 VWAP算法 319
8.3.1 标准VWAP算法 319
8.3.2 改进型VWAP算法 323
第9章 另类套利策略 326
9.1 封闭式基金套利 327
9.1.1 基本概念 327
9.1.2 模型策略 327
9.1.3 实证案例 329
9.2 ETF套利 330
9.2.1 基本概念 330
9.2.2 无风险套利 332
9.2.3 其他套利 336
9.3 LOF套利 337
9.3.1 基本概念 337
9.3.2 模型策略 338
9.3.3 实证案例：
LOF套利 339
9.4 高频交易 343
9.4.1 流动性回扣交易 343
9.4.2 猎物算法交易 344
9.4.3 自动做市商策略 345
9.4.4 高频交易的发展 345
理论篇
第10章 人工智能 350
10.1 主要内容 351
10.1.1 机器学习 351
10.1.2 自动推理 354
10.1.3 专家系统 357
10.1.4 模式识别 360
10.1.5 人工神经网络 362
10.1.6 遗传算法 366
10.2 人工智能在量化投资中
的应用 370
10.2.1 模式识别短线择时 370
10.2.2 RBF神经网络股价
预测 374
10.2.3 基于遗传算法新股
预测 379
第11章 数据挖掘 385
11.1 基本概念 386
11.1.1 主要模型 386
11.1.2 典型方法 388
11.2 主要内容 389
11.2.1 分类与预测 389
11.2.2 关联规则 395
11.2.3 聚类分析 401
11.3 数据挖掘在量化投资中
的应用 404
11.3.1 基于SOM 网络的
股票聚类分析方法 404
11.3.2 基于关联规则的
板块轮动 407
第12章 小波分析 410
12.1 基本概念 411
12.2 小波变换主要内容 412
12.2.1 连续小波变换 412
12.2.2 连续小波变换的
离散化 413
12.2.3 多分辨分析与Mallat
算法 414
12.3 小波分析在量化投资中
的应用 418
12.3.1 K线小波去噪 418
12.3.2 金融时序数据
预测 424
第13章 支持向量机 432
13.1 基本概念 433
13.1.1 线性SVM 433
13.1.2 非线性SVM 436
13.1.3 SVM分类器参数
选择 438
13.1.4 SVM分类器从二类
到多类的推广 439
13.2 模糊支持向量机 440
13.2.1 增加模糊后处理的
SVM 440
13.2.2 引入模糊因子的
SVM训练算法 442
13.3 SVM在量化投资中的
应用 443
13.3.1 复杂金融时序
数据预测 443
13.3.2 趋势拐点预测 448
第14章 分形理论 454
14.1 基本概念 455
14.1.1 分形定义 455
14.1.2 几种典型的分形 456
14.1.3 分形理论的应用 458
14.2 主要内容 459
14.2.1 分形维数 459
14.2.2 L系统 460
14.2.3 IFS系统 462
14.3 分形理论在量化投资中的
应用 463
14.3.1 大趋势预测 463
14.3.2 汇率预测 468
第15章 随机过程 475
15.1 基本概念 475
15.2 主要内容 478
15.2.1 随机过程的
分布函数 478
15.2.2 随机过程的
数字特征 479
15.2.3 几种常见的
随机过程 479
15.2.4 平稳随机过程 482
15.3 灰色马尔可夫链
股市预测 483
第16章 IT技术 488
16.1 数据仓库技术 488
16.1.1 从数据库到
数据仓库 489
16.1.2 数据仓库中的
数据组织 491
16.1.3 数据仓库的
关键技术 493
16.2 编程语言 495
16.2.1 GPU算法交易 495
16.2.2 MATLAB语言 499
16.2.3 C#语言 508
第17章 主要数据与工具 514
17.1 名策数据：多因子
分析平台 514
17.2 Multicharts：程序化
交易平台 517
17.3 交易开拓者：期货
自动交易平台 520
17.4 大连交易所套利指令 525
17.5 MT5：外汇自动
交易平台 528
第18章 对冲交易系统：
D-Alpha 535
18.1 系统架构 535
18.2 策略分析流程 537
18.3 核心算法 539
18.4 验证结果 541
参考文献 542
表目录
表1 1 不同投资策略对比 8
表2 1 多因子选股模型候选因子 29
表2 2 多因子模型候选因子初步检验 30
表2 3 多因子模型中通过检验的有效因子 31
表2 4 多因子模型中剔除冗余后的因子 32
表2 5 多因子模型组合分段收益率 33
表2 6 晨星市场风格判别法 35
表2 7 夏普收益率基础投资风格鉴别 36
表2 8 中信标普风格指数 41
表2 9 风格动量策略组合月均收益率 42
表2 10 大小盘风格轮动策略月收益率均值 45
表2 11 中国货币周期分段（2007—2011年） 48
表2 12 沪深300行业指数统计 49
表2 13 不同货币阶段不同行业的收益率 50
表2 14 招商资金流模型（CMSMF）计算方法 58
表2 15 招商资金流模型（CMSMF）选股指标定义 58
表2 16 资金流模型策略——沪深300 60
表2 17 资金流模型策略——全市场 62
表2 18 动量组合相对基准的平均年化超额收益（部分） 68
表2 19 反转组合相对基准的平均年化超额收益（部分） 69
表2 20 动量策略风险收益率分析 72
表2 21 反转策略风险收益率分析 72
表2 22 趋势追踪技术收益率 94
表2 23 筹码选股模型中单个指标的收益率情况对比 100
表3 1 MA 指标择时测试最好的20组参数及其表现 118
表3 2 4个趋势型指标最优参数下的独立择时交易表现比较 120
表3 3 有交易成本情况下不同信号个数下的综合择时策略 121
表3 4 自适应均线择时策略收益率分析 125
表3 5 市场情绪类别 127
表3 6 沪深300指数在不同情绪区域的当月收益率比较 130
表3 7 沪深300指数在不同情绪变化区域的当月收益率比较 130
表3 8 沪深300指数在不同情绪区域的次月收益率比较 131
表3 9 沪深300指数在不同情绪变化区域的次月收益率比较 131
表3 10 情绪指数择时收益率统计 133
表3-11 月度Tsharp择时模型统计结果 138
表3-12 预测Tsharp值（月度）对上证综指的预测作用 139
表3-13 季度Tsharp择时模型统计结果 140
表3-14 预测Tsharp值（季度）对上证综指的预测作用 141
表3-15 SVM择时模型的指标 157
表3-16 SVM模型样本外预测多空次数 158
表3-17 SVM模型样本外预测准确率 158
表3-18 SVM模型趋势交易策略评估 159
表3 19 噪声交易在熊市择时的收益率 172
表4 1 各种方法在不同股票数量下的跟踪误差（年化） 192
表4-2 股指期货多头跨期套利过程分析 201
表4 3 不同开仓比例下的不同保证金水平能够覆盖的市场波动及其概率 213
表4 4 不同仓单持有期下的保证金覆盖比例 214
表6 1 2011年沪深300股票同一行业走势高度相关的组合（部分） 250
表6 2 残差的平稳性、自相关等检验 251
表6 3 在不同的阈值下建仓、平仓所能获得的平均收益 253
表6 4 采用不同的模型在样本内获取的收益率及最优阈值 254
表6 5 采用不同的模型、不同的外推方法在样本外获取的收益率（%） 255
表6 6 主成分配对交易在样本内取得的收益率及最优阈值 257
表6 7 主成分配对交易在样本外的效果 257
表6 8 标准策略、延后开仓、提前平仓策略实证结果 263
表7 1 多头股票—期权套利综合分析表 286
表7 2 多头股票—股票期权套利案例损益分析表 287
表7 3 多头股票—指数期权套利案例损益分析表 288
表7 4 转换套利分析过程 289
表7 5 买入跨式套利综合分析表 292
表7 6 买入跨式套利交易细节 293
表7 7 卖出跨式套利综合分析表 294
表7 8 卖出跨式套利交易细节 295
表7 9 买入宽跨式套利综合分析表 296
表7 10 卖出宽跨式套利综合分析表 297
表7 11 买入蝶式套利综合分析表 299
表7 12 卖出蝶式套利综合分析表 301
表7 13 买入飞鹰套利综合分析表 303
表7 14 卖出飞鹰式套利综合分析表 304
表9 1 鹏华300 LOF两次正向套利的情况 341
表9 2 鹏华300 LOF两次反向套利的情况 342
表10 1 自动推理中连词系统 356
表10 2 模式识别短线择时样本数据分类 373
表10 3 RBF神经网络股价预测结果 379
表10 4 遗传算法新股预测参数设置 383
表10 5 遗传算法新股预测结果 384
表11 1 决策树数据表 393
表11 2 关联规则案例数据表 396
表11 3 SOM股票聚类分析结果 407
表11 4 21种股票板块指数布尔关系表数据片断 408
表12 1 深发展A日收盘价小波分析方法预测值与实际值比较 430
表12 2 不同分解层数的误差均方根值 431
表13 1 SVM沪深300指数预测误差情况 448
表13 2 SVM指数预测和神经网络预测的比较 448
表13 3 技术反转点定义与图型 451
表14 1 持续大涨前后分形各主要参数值 466
表14 2 持续大跌前后分形各主要参数值 467
表14 3 外汇R/ S 分析的各项指标 472
表14 4 V(R/S)曲线回归检验 473
表15 1 灰色马尔可夫链预测深证成指样本内（2005/1—2006/8） 486
表15 2 灰色马尔可夫链预测深证成指样本外（2006/9—2006/12） 487
表16-1 VaR算法GPU和CPU时间对比 499
表18-1 D-Alpha系统在全球市场收益率分析 541
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
在阅读《量化投资》的过程中，我感受到了一种“返璞归真”的愉悦。作者并没有用华丽的辞藻去渲染量化投资的光鲜，而是用朴实无华的语言，将看似遥不可及的量化世界拉近了许多。他从“投资哲学”的层面试图建立一种科学的投资观，强调了纪律性、客观性和概率思维在投资中的重要性。我尤其欣赏他关于“交易系统”的阐述。他详细介绍了如何构建一个完整的交易系统，包括入场信号、出场信号、仓位管理和资金管理等要素。他强调了交易系统的“一致性”和“可重复性”，以及如何在实盘交易中严格执行交易计划，避免情绪化的干扰。在“情绪控制”这一块，作者也分享了一些非常实用的建议，例如如何保持平和的心态，如何从错误中学习，以及如何认识到市场的随机性。在我看来，一个再精密的量化模型，如果无法克服人性的弱点，也很难发挥出应有的作用。这本书的价值，不仅仅在于提供了技术层面的指导，更在于它能够帮助投资者建立一种更加理性、更加科学的投资心态。它让我明白，量化投资并非是“一劳永逸”的秘籍，而是一个需要不断学习、不断调整、不断优化的过程。
评分《量化投资》这本书，为我提供了一个全新的视角来审视金融市场。它并非一本仅仅教你如何“套利”的书籍，而是更像一本“投资哲学”的启蒙读物，引导我去思考投资的本质，以及如何用科学的方法去实践投资。作者在书中详细介绍了“事件驱动”策略的构建思路，他分析了各种常见的市场事件，例如公司财报发布、并购重组、政策变动等，并探讨了如何捕捉这些事件带来的交易机会。他深入分析了“新闻情绪分析”在量化投资中的应用，介绍了如何利用自然语言处理技术，从海量新闻和社交媒体数据中提取有价值的信息，并将其转化为交易信号。我尤其欣赏作者在“高频交易”这一章节的论述。他并没有将其描绘成遥不可及的“魔法”，而是将其置于一个更加务实的框架下进行分析，详细介绍了高频交易的核心要素，例如低延迟交易系统、高频数据获取以及算法优化等。他强调了高频交易的严谨性、精确性和高效率，以及如何在竞争激烈的市场中保持优势。在“风险监控与止损”这一部分，作者更是强调了“保住本金”的重要性。他详细介绍了各种风险监控指标，以及如何设置合理的止损点，以避免因市场剧烈波动而遭受重大损失。这本书的价值，在于它能够帮助我建立一种更加系统、更加全面的投资框架，让我能够更好地理解市场，更有效地识别机会，并最终在投资中取得成功。
评分《量化投资》这本书，给我带来了一种“重塑认知”的体验。它并非仅仅罗列技术工具，而是更倾向于构建一种“思维方式”，让我能够以一种更加结构化、更加系统化的方式去理解和参与金融市场。作者在书中对“均值回归”策略进行了深入的探讨，他详细分析了均值回归的理论基础，以及如何在实际中识别和应用均值回归的机会。他介绍了各种技术指标，例如移动平均线、布林带等，并探讨了如何将它们与均值回归策略相结合。在“趋势跟踪”策略的讲解中，作者更是强调了“顺势而为”的重要性。他详细介绍了各种趋势跟踪指标，例如MACD、RSI等，并探讨了如何通过这些指标来识别市场趋势，并跟随趋势进行交易。我尤其欣赏作者在“套利交易”这一章节的细致分析。他没有简单地将套利描述成“无风险获利”，而是详细分析了各种套利策略的风险和收益，以及如何在实际中进行操作。例如，他介绍了统计套利、跨市场套利、期现套利等多种套利方式，并探讨了如何利用量化方法来识别和执行这些套利机会。在“资金管理”这一部分，作者更是强调了“分散风险”的重要性。他详细介绍了各种资金管理技术，例如固定比例法、固定手数法等，以及如何根据市场波动性和交易策略的风险收益比，来动态调整仓位。这本书的价值，在于它能够帮助我建立一种更加全面、更加成熟的投资体系，让我能够更好地管理风险，更有效地捕捉收益，并最终实现长期的投资增长。
评分《量化投资》这本书，为我提供了一个清晰的框架，来理解和构建量化投资策略。它并非一本泛泛而谈的书籍，而是更加注重细节和实操性。作者在书中详细介绍了“统计套利”的原理和应用，他分析了各种统计套利机会，例如配对交易、指数套利等，并探讨了如何利用量化方法来识别和执行这些套利策略。他强调了统计套利的核心在于发现资产之间的统计关系，并利用这种关系来获取超额收益。在“机器学习在因子挖掘中的应用”这一章节，作者更是将最新的技术进展融入其中。他详细介绍了如何利用各种机器学习算法，例如Lasso回归、岭回归、弹性网络等，来筛选和构建具有预测能力的因子。他强调了因子解释性和鲁棒性的重要性，以及如何避免因子失效的风险。我尤其欣赏作者在“投资组合的风险预算”这一部分的思考。他并没有简单地关注整体组合的风险，而是进一步探讨了如何将风险分配到各个因子或资产中，从而实现更加精细化的风险管理。他介绍了各种风险预算技术，例如边际风险贡献、风险平价等，并探讨了如何将它们应用于实际的投资组合构建中。在“交易执行的优化”这一部分，作者更是将量化投资的实践性发挥到了极致。他详细介绍了各种交易执行算法，例如VWAP、TWAP、POV等，以及如何根据市场条件和交易目标，选择最合适的执行算法，以最小化交易成本和市场冲击。这本书的价值，在于它能够帮助我建立一种更加精细、更加优化的投资流程，让我能够更好地理解市场，更有效地管理风险，并最终在投资中取得卓越的成就。
评分《量化投资》这本书，如同一位经验丰富的向导，带领我踏上了探索量化投资奥秘的旅程。它并非一本速成的指南，而是更像一本深入浅出的教科书，将繁复的金融理论与严谨的数学模型娓娓道来。我尤其被书中关于“数据挖掘”的章节所吸引，作者详细阐述了如何从海量金融数据中发现隐藏的模式和规律，并将其转化为可操作的交易信号。他介绍了各种统计学工具，例如回归分析、时间序列分析、聚类分析等，并结合实际案例，演示了如何运用这些工具来构建预测模型。在“机器学习在量化投资中的应用”这一块，作者更是深入浅出地讲解了各种主流的机器学习算法，例如线性回归、支持向量机、决策树、随机森林以及神经网络等，并详细分析了它们在量化投资中的适用场景和优缺点。他并没有将机器学习描绘成万能的“黑科技”，而是强调了其局限性，以及如何选择合适的算法，如何进行模型调优，如何避免过拟合等关键问题。阅读过程中，我感觉自己仿佛置身于一个巨大的数据实验室，在作者的指导下，一步步进行实验，一步步验证假设。这本书的价值在于，它不仅提供了技术工具，更重要的是，它培养了我独立思考和解决问题的能力，让我能够更有效地分析和理解市场，从而做出更明智的投资决策。
评分翻开《量化投资》，我最先感受到的是其逻辑的严谨与结构的精巧。作者并未将量化投资描绘成一种玄妙的艺术，而是将其视为一门基于科学原理和数据驱动的系统工程。他从建立投资理念开始，逐步过渡到策略的构建，再到回测的优化，最后落脚于风险管理和实盘交易。其中，关于“因子模型”的章节，给我留下了深刻的印象。作者没有简单罗列各种因子，而是深入剖析了因子产生的经济学逻辑，以及如何从海量数据中筛选出具有持续性、可解释性的因子。他详细介绍了不同类型的因子，例如价值因子、动量因子、质量因子等等，并结合实际案例，演示了如何利用这些因子构建多因子组合，以期捕捉市场中的超额收益。我特别欣赏作者在回测部分强调的“过拟合”问题，以及如何通过不同的验证方法来避免。这一点对于许多初学者来说，往往是容易忽视的陷阱。他提出的“样本外测试”和“交叉验证”等技术，都是规避过拟合的利器。在阅读的过程中，我尝试着去想象如何将书中的理论应用到实际的操作中，如何去筛选数据、如何去构建模型，以及如何在回测中不断迭代优化。这本书让我明白，量化投资并非“拿来即用”的工具箱，而是一个需要深度思考、持续学习和不断实践的领域。它的价值在于，为你提供了一套系统性的思考框架，让你能够更有效地分析市场，更理性地进行投资决策。
评分《量化投资》这本书，让我意识到量化投资并非是少数天才的专利，而是一门可以通过系统学习和刻苦实践掌握的技能。它并非一本仅仅介绍“模型”的书籍，而是更像一本“实践指南”，带领我去亲身体验量化投资的各个环节。作者在书中对“模型验证”的重要性进行了反复强调，他详细介绍了各种模型验证的方法，例如交叉验证、样本外测试、模拟交易等，并强调了在模型开发过程中，要时刻警惕“过拟合”的陷阱。我尤其欣赏作者在“交易心理学”方面的洞察。他深刻地认识到，即使是最完美的量化模型，也可能因为交易者的情绪波动而失效。他分享了许多关于如何克服贪婪、恐惧、焦虑等负面情绪的实用技巧，并强调了保持纪律性和客观性的重要性。在“交易系统的构建与优化”这一部分，作者更是将理论与实践完美结合。他详细介绍了如何从零开始构建一个完整的交易系统，包括信号生成、参数优化、风险控制等各个环节，并探讨了如何通过持续的测试和调整，来不断优化交易系统的性能。在“自动化交易”这一部分，作者更是为读者描绘了未来投资的图景。他详细介绍了如何利用编程技术，实现交易的自动化，从而提高交易效率，降低人为错误，并能够全天候地捕捉市场机会。这本书的价值，在于它能够帮助我建立一种更加积极、更加主动的投资心态，让我能够以一种更加科学、更加有效的方式去参与金融市场，并最终在投资中取得成功。
评分《量化投资》这本书，为我打开了一扇通往理性投资世界的大门。它并非一本仅仅堆砌公式和理论的书籍，而是更加注重将抽象的数学概念与具体的金融实践相结合。作者在书中花了相当大的篇幅来讨论“投资组合优化”的原理，他详细介绍了现代投资组合理论（MPT）的核心思想，例如均值-方差模型，并在此基础上，进一步探讨了如何考虑不同资产之间的相关性，如何构建一个分散化的投资组合，以实现风险和收益的最佳平衡。我尤其欣赏作者在“因子投资”部分的深入剖析。他并没有简单地列出各种因子，而是深入挖掘了每个因子背后的经济学逻辑和市场含义，例如价值因子如何反映了市场的低估补偿，动量因子如何捕捉了市场的趋势惯性。他详细介绍了如何通过量化方法来构建因子投资组合，并探讨了如何进行因子选择、因子权重调整以及因子组合的再平衡。在“交易成本分析”这一部分，作者更是将量化投资的严谨性发挥到了极致。他详细分析了各种交易成本，例如佣金、滑点、冲击成本等，并探讨了如何通过优化交易策略，来最大程度地降低交易成本，从而提升策略的实际收益。这本书的价值，在于它能够帮助我建立一种更加科学、更加严谨的投资理念，让我能够以一种更理性的态度去面对市场波动，并最终实现长期的投资目标。
评分《量化投资》带给我的，是一种对金融市场更深层次的理解。它让我意识到，那些我们肉眼可见的市场波动，背后往往隐藏着复杂而精密的数学模型和统计规律。作者并没有回避量化投资的难度，反而以一种坦诚的态度，将许多核心概念抽丝剥茧地展现在读者面前。我尤其对其中关于“资产配置”的论述印象深刻。作者并没有简单地给出固定的配置比例，而是探讨了如何根据不同的市场环境、投资目标和风险偏好，动态地调整资产配置。他详细介绍了均值回归、方差最小化等经典的资产配置理论，并进一步探讨了如何利用机器学习技术，构建更具适应性的资产配置策略。在“风险管理”部分，作者更是强调了“风险是收益的对立面”这一基本原则，详细阐述了如何识别、度量和管理不同类型的风险，例如市场风险、信用风险、流动性风险等等。他提出的VaR（在险价值）和CVaR（条件在险价值）等风险度量方法，以及如何通过止损、对冲等手段来控制风险，都为我提供了宝贵的实践指导。这本书的价值在于，它不仅仅是理论的堆砌，而是将理论与实践紧密结合，为读者提供了一套完整的量化投资解决方案。它让我看到了，通过系统性的学习和科学的实践，普通投资者也能在复杂多变的金融市场中，找到属于自己的投资之路。
评分《量化投资》这本书，初读之下，我并没有立刻进入那种“拨云见日”的顿悟状态，反而更像是在一个庞大的数字森林里进行一次细致的考古探险。作者并没有一开始就抛出几个惊世骇俗的模型，而是如同一个循循善诱的向导，带领我一步步解构量化投资的底层逻辑。他从最基础的数据采集、清洗讲起，详细阐述了如何处理非结构化数据，如何判断数据源的可靠性，以及如何构建高效的数据管道。我尤其被其中关于“数据噪声”的分析所吸引，作者用大量的案例说明了看似微不足道的数据瑕疵，在复杂的量化模型中可能被放大成导致巨额亏损的“黑洞”。这种对细节的偏执，让我看到了一个成熟的量化研究员应有的严谨态度。更重要的是，作者并未止步于数据本身，而是将其与金融市场的内在机制紧密结合，例如，他花了相当大的篇幅探讨了不同市场微观结构对策略有效性的影响，以及如何在交易执行中最大程度地降低冲击成本。阅读过程中，我时常会停下来，结合自己过去的投资经验进行比对，发现许多曾经模糊不清的困惑，在作者的条理化阐述下，逐渐变得清晰起来。这本书更像是一本“内功心法”的秘籍，它不直接告诉你如何“赢”，而是告诉你如何“修炼”，如何从源头打理好一切，为“赢”奠定坚实的基础。读完之后，我感觉自己对量化投资的理解，从一个浮光掠影的观察者，变成了一个能够深入肌理的参与者，这种潜移默化的改变，比任何简单的结论都来得更为宝贵。
评分还行，里面的内容拼凑迹象明显，可以当作字典目录来看。
评分纰漏很多 看不下去
评分知乎上有人说最有价值的在目录，说他是喝汤的向喝西北风的科普，hhhh。反正他把数据挖掘、小波分析、支持向量机和分形分析的应用各自只用20页讲完了.......然后顺便大肆推销自己做的蹩脚软件。我觉得有这个时间还不如看看大头儿子和小头爸爸呢。
评分什么都说了些，但是没有特别新奇的思想和技术介绍，都是一些常规的技术说明
评分很多概念性的公式都是错的
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 qciss.net All Rights Reserved. 小哈图书下载中心 版权所有