AI量化投資

第 1 章  量化思想  
1.1 超額 α 實(shí)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(jìn)行大類資產(chǎn)配置 
1.1.3 檢驗(yàn)正交 ( 獨(dú)立 ) 的多條投資回報(bào)流 
1.1.4 組建風(fēng)險(xiǎn)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(xué)的算法屬性 
1.2.2 機(jī)器學(xué)習(xí)算法與數(shù)學(xué)機(jī)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?fù)浣Y(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(wù)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(xiàng)前提條件 
第 2 章  量化實(shí)踐 
2.1 定量設(shè)計(jì)現(xiàn)金管理方案 
2.2 基金科學(xué)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(shí)間分辨率為何深度影響投資收益率 
2.3.1 時(shí)間分辨率 
2.3.2 投資時(shí)間顆粒度與復(fù)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(jì)算方法 
3.1.2 用于宏觀經(jīng)濟(jì)因子 
3.1.3 構(gòu)建不相關(guān)投資回報(bào)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(jì)算方法 
3.2.3 用于宏觀經(jīng)濟(jì)因子 
3.3 多因子投資 
3.3.1 因子暴露、因子溢價(jià)、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(jià) 
3.3.4 雙因子溢價(jià) 
3.3.5 因子檢驗(yàn) 
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(jī)性與模糊性 
3.4.2 云滴模擬基金的風(fēng)格漂移 
3.5 貝葉斯判別法，先驗(yàn)概率的 AI 
3.5.1 后驗(yàn)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(xué)原理 
3.6.2 中證 1000 成分股量價(jià)因子聚類 
3.6.3 A 股全指個(gè)股量價(jià)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(shí)現(xiàn)流程 
4.1.2 量化策略分類 
4.2 指數(shù)增強(qiáng)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(shí)證案例 
4.4.3 策略缺點(diǎn)與優(yōu)化 
4.5 風(fēng)險(xiǎn)平價(jià)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(qiáng)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(fēng)險(xiǎn)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(xiǎn)投資的倉位 
5.3 公式推導(dǎo) 
5.4 計(jì)算機(jī)動態(tài)模擬 
5.5 凱利投資準(zhǔn)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(yīng)用 
7.1 AI 算法思想 
7.1.1 邊緣活躍效應(yīng) 
7.1.2 AI 算法時(shí)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(jī)發(fā)動機(jī)設(shè)計(jì) 
7.2.2 生物學(xué)基礎(chǔ) 
7.3 遺傳算法關(guān)鍵數(shù)學(xué)原理 
7.3.1 編解碼 
7.3.2 復(fù)制運(yùn)算 
7.4 遺傳算法尋優(yōu)舉例 
7.4.1 編碼 
7.4.2 評價(jià)個(gè)體適應(yīng)度 
7.4.3 新種群復(fù)制 
7.4.4 交配點(diǎn)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(jìn)化 
7.5.2 遺傳算法與弗洛伊德夢的解析法 
7.6 計(jì)算機(jī)程序設(shè)計(jì)框架 
7.6.1 偽代碼設(shè)計(jì) 
7.6.2 參數(shù)設(shè)計(jì)準(zhǔn)則 
7.6.3 適應(yīng)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(jià)要素 
7.7.3 組建模型 
7.7.4 求解非線性多約束雙目標(biāo)函數(shù) 
7.7.5 套利策略設(shè)計(jì)思路 
第 8 章  大規(guī)模神經(jīng)網(wǎng)絡(luò)及股票非量價(jià)復(fù)合策略  
8.1 人工神經(jīng)網(wǎng)絡(luò)概述 
8.1.1 網(wǎng)絡(luò)結(jié)構(gòu) 
8.1.2 激勵函數(shù) 
8.2 經(jīng)典神經(jīng)網(wǎng)絡(luò)模型 
8.2.1 因式分解網(wǎng)絡(luò)的學(xué)習(xí)步驟 
8.2.2 基于視網(wǎng)膜感受視野設(shè)計(jì) RBF 神經(jīng)網(wǎng)絡(luò) 
8.3 設(shè)計(jì) BP 神經(jīng)網(wǎng)絡(luò) 
8.3.1 鯊魚嗅聞血腥味原理 
8.3.2 網(wǎng)絡(luò)學(xué)習(xí)案例化解析 
8.3.3 網(wǎng)絡(luò)訓(xùn)練多尺度分析 
8.4 設(shè)計(jì) RBF 神經(jīng)網(wǎng)絡(luò) 
8.4.1 梯度訓(xùn)練法 
8.4.2 性能要素 
8.5 評價(jià)神經(jīng)網(wǎng)絡(luò)的泛化能力 
8.6 神經(jīng)網(wǎng)絡(luò)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(shè)計(jì)大規(guī)模徑向基小波神經(jīng)網(wǎng)絡(luò)的深度理論 
8.7.1 五層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu) 
8.7.2 符號約定 
8.7.3 組建神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)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(luò)動量 
8.7.9 非常規(guī)定律 
8.8 中證 1000 成分股非量價(jià)復(fù)合策略 
8.8.1 股價(jià)預(yù)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(xùn)練 
8.8.7 股價(jià)預(yù)測準(zhǔn)確率 
8.8.8 交易指令設(shè)計(jì) 
8.8.9 為什么有些機(jī)器學(xué)習(xí)量化策略沒有成功 
8.8.10 神經(jīng)網(wǎng)絡(luò)在股票優(yōu)選策略中的獨(dú)特優(yōu)勢 
第 9 章 小波分析及金融工程多維度應(yīng)用  
9.1 小波分析框架理論 
9.1.1 數(shù)學(xué)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(xì)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(zhǔn)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(jìn)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(jìn)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(shí)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(xiàng)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(shí)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(xiàn)