第一部分
第1章　机器学习　　1
1.1　机器 习定义　　1
1.2　机器学习的优缺点　　3
1.2.1　机器学习的优点　　3
1.2.2　机器学习的缺点　　4
1.3　机器学习的种类　　4
1.3.1　监督学习　　5
1.3.2　无监督学习　　6
1.4　机器学习能做的事情　　7
1.4.1　回归　　8
1.4.2　分类　　10
1.4.3　聚类　　12
1.5　机器学习算法　　13
1.5.1　回归　　14
1.5.2　分类　　15
1.5.3　聚类　　15
1.6　机器学习的过程　　16
1.6.1　第一次预处理　　16
1.6.2　训练数据集　　17
1.6.3　第二次预处理　　17
1.6.4　机器学习算法学习　　17
1.6.5　参数优化　　17
1.6.6　后期处理　　17
1.6.7　最终模型　　18
1.7　“没有免费的午餐”定理　　18
第二部分
第2章　统计　　21
2.1　统计的定义　　21
2.2　统计在机器学习中的重要性　　22
2.3　统计的基本概念和术语　　23
2.3.1　总体和样本　　23
2.3.2　参数和统计量　　24
2.3.3　抽样误差　　25
2.3.4　因变量和自变量　　26
2.3.5　连续变量和离散变量　　26
2.3.6　模型　　27
2.4　准备事项　　28
2.5　数据下载　　29
2.6　数据加载　　31
2.7　基础统计　　31
2.7.1　标准差　　32
2.7.2　四分位数　　36
2.7.3　直方图　　37
2.7.4　正态分布　　40
2.7.5　散点图　　41
2.7.6　箱形图　　44
第3章　时间序列数据　　49
3.1　时间序列数据　　50
3.2　时间序列数据分析　　51
3.3　时间序列数据的主要特征　　52
3.4　随机过程　　54
3.5　平稳时间序列数据　　55
3.6　随机过程中的期望值、方差和协方差　　57
3.7　相关　　59
3.8　自协方差　　61
3.9　自相关　　62
3.10　随机游走　　66
第三部分
第4章　算法交易　　69
4.1　算法交易简介　　69
4.2　算法交易历史上的那些人　　72
4.2.1　爱德华·索普　　72
4.2.2　詹姆斯·哈里斯·西蒙斯　　74
4.2.3　肯尼斯·格里芬　　76
4.3　算法交易模型　　77
4.4　均值回归模型　　79
4.4.1　均值回归检验　　80
4.4.2　实现均值回归模型　　86
4.5　机器学习模型　　89
4.5.1　特征选择　　90
4.5.2　是价格还是方向　　91
4.6　分类模型　　92
4.6.1　逻辑斯蒂回归　　92
4.6.2　决策树和随机森林　　94
4.6.3　支持向量机　　96
4.7　实现机器学习模型　　97
4.7.1　数据集　　98
4.7.2　拆分数据集　　100
4.7.3　生成股价走势预测变量　　101
4.7.4　股价走势预测变量的运行和评价　　102
4.8　时间衰减效应　　106
第5章　实现算法交易系统　　109
5.1　普通算法交易系统的构成　　109
5.2　实现系统的概要　　111
5.3　开发环境　　113
5.4　数据爬虫实现　　113
5.4.1　收集股票代码　　114
5.4.2　收集股价数据　　118
5.5　实现α 模型　　121
5.5.1　均值回归模型　　122
5.5.2　机器学习模型　　124
5.6　投资组合生成器　　125
5.6.1　均值回归模型的股票选择　　126
5.6.2　机器学习模型的股票选择　　130
5.7　实现Trader 类　　136
第6章　性能评价与优化　　137
6.1　算法交易系统的性能测试　　138
6.1.1　评价系统的获利能力　　138
6.1.2　比较各实现模型　　138
6.1.3　对系统的信心　　139
6.2　回溯检验　　140
6.2.1　Profit/Loss 检验　　140
6.2.2　Hit Batio　　141
6.2.3　Drawdown　　143
6.2.4　Sharpe Ratio　　145
6.3　机器学习性能测试　　147
6.3.1　混淆矩阵　　148
6.3.2　Classification Report　　150
6.3.3　ROC　　152
6.4　实时交易监控　　158
6.5　参数优化　　159
6.6　超参数优化　　160
6.6.1　网格搜索　　161
6.6.2　随机搜索　　164
6.7　“黑天鹅”　　167
后记　　171
· · · · · · (收起)