股票多因子模型實(shí)戰(zhàn)：Python核心代碼解析

第1章 量化投資概述
1.1 什么是量化投資
1.1.1 股票多因子
1.1.2 量化CTA
1.1.3 套利
1.1.4 高頻
1.2 股票多因子模型框架
1.2.1 因子與因子思維
1.2.2 多因子模型的數(shù)學(xué)語言
1.2.3 多因子模型的實(shí)踐框架
1.3 量化的基本問題
1.3.1 幸存者偏差
1.3.2 未來信息
1.3.3 過度擬合與欠擬合
1.3.4 因果性與相關(guān)性
1.3.5 其他問題
第2章 量化的Python基礎(chǔ)
2.1 Python的安裝與基本環(huán)境
2.1.1 下載與安裝
2.1.2 Jupyter的使用
2.2 基本數(shù)據(jù)類型和變量
2.2.1 整型
2.2.2 浮點(diǎn)型
2.2.3 字符串
2.2.4 布爾型
2.2.5 變量
2.3 Python的容器
2.3.1 列表
2.3.2 元組
2.3.3 字典
2.4 Python的基本語法
2.4.1 if判斷
2.4.2 for循環(huán)
2.4.3 函數(shù)
2.4.4 模塊的使用
2.5 數(shù)據(jù)處理入門
2.5.1 NumPy科學(xué)計(jì)算庫
2.5.2 Matplotlib可視化庫
2.6 Pandas
2.6.1 數(shù)據(jù)表
2.6.2 Series與DataFrame
2.6.3 Pandas的輸入與輸出
2.6.4 DataFrame的數(shù)據(jù)選取
2.6.5 Pandas的排序
2.6.6 統(tǒng)計(jì)描述與分組
2.6.7 Pandas的數(shù)據(jù)可視化
2.6.8 多個(gè)DataFrame處理
第3章 量化的概率統(tǒng)計(jì)基礎(chǔ)
3.1 分布的四個(gè)“矩”
3.1.1 期望
3.1.2 方差
3.1.3 偏度
3.1.4 峰度
3.2 正態(tài)分布
3.2.1 正態(tài)分布的定義
3.2.2 正態(tài)分布的特點(diǎn)
3.3 線性回歸
3.3.1 單元線性回歸
3.3.2 多元線性回歸
3.3.3 啞變量
3.4 業(yè)績評價(jià)指標(biāo)
3.4.1 年化收益率
3.4.2 夏普比率
3.4.3 信息比率
第4章 單因子測試
4.1 因子的來源
4.1.1 財(cái)務(wù)因子
4.1.2 分析師一致預(yù)期因子
4.1.3 技術(shù)因子
4.1.4 其他因子
4.2 大小盤因子
4.2.1 大小盤因子的定義
4.2.2 大小盤因子的計(jì)算
4.2.3 大小盤因子的處理流程
4.2.4 去極值與異常值
4.2.5 標(biāo)準(zhǔn)化
4.2.6 中性化
4.3 ROE 因子
4.3.1 ROE因子概述
4.3.2 ROE因子的計(jì)算
4.3.3 市值中性化
4.4 RSI因子
4.4.1 RSI指標(biāo)計(jì)算
4.4.2 RSI因子的定義與計(jì)算
4.5 其他因子的計(jì)算
4.5.1 BTOP因子
4.5.2 ROE穩(wěn)定性因子
4.5.3 EPS一致預(yù)期變動(dòng)率因子
4.5.4 輿論因子
4.6 單因子的測試分析
4.6.1 單因子測試的基本邏輯
4.6.2 Alphalens簡介
4.6.3 因子IC分析
4.6.4 收益率分析
4.6.5 換手率
4.7 常見因子的測試結(jié)果
4.7.1 ROE測試結(jié)果
4.7.2 銷售凈利率
4.7.3 MAC10
4.7.4 BTOP因子
第5章 因子合成
5.1 經(jīng)典加權(quán)方法
5.1.1 等權(quán)
5.1.2 滾動(dòng)IC與IC_IR
5.1.3 合成因子測試結(jié)果
5.1.4 其他加權(quán)方法
5.2 情景配置
5.2.1 市值因子的分析
5.2.2 ROE因子的擇時(shí)
第6章 組合構(gòu)建
6.1 一般方法
6.1.1 等權(quán)加權(quán)
6.1.2 市值加權(quán)
6.2 均值-方差組合
6.2.1 優(yōu)化器的使用
6.2.2 “均值-方差”效用函數(shù)