第一篇 量化选股策略篇 3
1.量化选股策略概述 3
1.1 量化选股的收益来源 3
1.2 量化选股策略的框架 4
2.单指标策略 5
2.1 单指标/因子策略方法概述 5
2.2 资金流向策略 15
2.3 动量与反转策略 74
3.多因子模型及策略 128
3.1 多因子策略方法概述 128
3.2 基于风险指标的多因子模型投资策略分析 136
3.3 基于指标被动筛选的多因子模型策略 143
3.4 多因子模型因子加权方法研究 154
4.风险模型及其应用 166
4.1 风险模型概述 166
4.2 中国A股市场风险模型的行业因子优化 172
4.3 中国A股市场风险模型的应用 186
5.投资组合构建 195
5.1 投资组合构建方法概述 195
5.2 基于规模暴露控制的投资组合构建 199
5.3 基于稳健优化的投资组合构建 216
6.绩效归因与评价 225
6.1 绩效归因与评价概述 225
6.2 多因子策略的绩效评价 228
第二篇 量化择时策略篇 243
7.量化择时策略概述 243
7.1 量化择时的理论基础——有效市场假说 243
7.2 量化择时策略的类型 244
8.动量择时模型 246
8.1 均线择时系统:简单易行,最为常用的趋势交易 246
8.2 LLT模型:高阶过滤,降低信号延迟 263
8.3 基于参数优化的Dual-Thrust交易策略:过滤震荡行情抓趋势 273
8.4 指数收益率奇数阶矩预测:放大价格波动抓趋势 282
8.5 海龟交易系统:完整的交易系统 290
9.反转择时模型 296
9.1 DeMark Combo策略:累计能量,逆市操作 296
9.2 抛物线拟合策略:寻找拐点,右侧交易 305
9.3 对数周期幂律模型及其基本应用:阶段性“顶”和“底”的预测 312
9.4 对数周期幂律模型的概率预测 325
9.5 对数周期幂律模型的相关检验 334
9.6 对数周期幂律模型的窗口初始点选择 342
第三篇 机器学习量化策略 357
10.机器学习算法简介 357
10.1 机器学习的定义和学科定位 358
10.2 机器学习方法的核心概念 359
10.3 机器学习方法的分类 361
11.机器学习策略开发流程 363
11.1 机器学习算法的应用 363
11.2 机器学习策略的流程:以GB决策树为例 365
11.3 机器学习策略的预测能力 366
12.GB决策树模型 368
12.1 决策树模型介绍 368
12.2 决策树模型选股策略的参数选择与拟合效果 371
12.3 基于GB决策树的市值策略及其比较 378
12.4 结论 383
13.长短期记忆神经网络模型 385
13.1 LSTM的机理与优势 385
13.2 长短期记忆模型量化策略 392
13.3 结论 396
14.随机森林模型 398
14.1 模型介绍 398
14.2 随机森林量化投资策略 403
14.3 结论 408
15.简单决策树模型 410
15.1 决策树的概念及其实例 410
15.2 基于历史涨跌来预测未来涨跌 411
15.3 基于技术指标预测股指未来涨跌 415
15.4 多空策略及表现 418
15.5 结论 422
16.临近取样模型 424
16.1 临近取样算法简介 424
16.2 策略描述 425
16.3 策略表现 426
16.4 结论 431
第四篇 资产配置篇 435
17.资产配置概述 435
17.1 投资组合管理过程 435
17.2 资产配置决策 436
17.3 资产配置策略 436
17.4 结论与展望 439
18.基于风险平价方法的资产配置策略 440
18.1 风险平价策略的数学模型 443
18.2 基于风险平价策略的股债配置 445
18.3 结论与展望 449
19.基于风险预算方法的资产配置策略 451
19.1 风险预算配置方法 452
19.2 基于风险预算方法的股债配置实证分析 454
19.3 结论与展望 461
20.基于风险平价方法的行业配置策略 462
20.1 行业组合配置方法 462
20.2 基于风险平价方法的A股行业配置实证分析 465
20.3 结论与展望 474
21.基于Black-Litterman模型的行业配置策略 476
21.1 Black-Litterman模型 477
21.2 Black-Litterman模型在我国股市行业配置中的应用 482
21.3 结论与展望 487
后记 489