Python金融量化分析

《Python金融量化分析》是有关Python在金融量化分析领域应用的一本从入门到精通类图书。全书分4篇共10章。第1篇（第1~3章）简单介绍了Python的基础知识，包括数据类型、循环体、函数、类与面向对象，以及常用的标准库与扩展库；第2篇（第4~6章）介绍了Python在金融量化交易中的应用，包括资产类别、衍生品等金融基础知识，数学与统计学基础知识，以及量化投资策略开发的一般化流程；第3篇（第7、8章）介绍了Python在量化风险管理中的应用，包括风险类别的介绍、市场因子的模拟，以及投资组合优化；第4篇（第9、10章）用5个实战案例具体演示了Python在金融量化分析中的应用。 《Python金融量化分析》适合具备一定数学、金融、计算机基础及编程经验的专业技术人员阅读学习，也适合相关专业高年级本科生、研究生学习参考。

1. 张奎，中银金科技术专家，美国杜兰大学统计学博士，中国科学技术大学数学系本硕学位。曾先后任职于美国花旗银行、富国银行，有多年金融量化分析从业经历。精通数学、概率统计、Python、金融基础知识，对机器学习模型、Python程序设计与开发、金融产品定价模型都有自己独到和深入的理解。 2. 马萌，美国杜兰大学数学硕士，量化基金经理，８年量化投资经验。著有《MATLAB量化金融分析基础与实战》。曾就职于阿里巴巴集团，任算法专家，精通机器学习及深度学习在金融行业的实战应用，目前主要研究方向为二级市场高频交易。

前言 第1篇 Python相关知识 第1章 Python基础知识/ 1.1 数据类型/ 1.1.1 字符串/ 1.1.2 列表/ 1.1.3 元组/ 1.1.4 字典/ 1.2 运算符/ 1.2.1 算术运算符/ 1.2.2 比较运算符/ 1.2.3 赋值运算符/ 1.2.4 位运算符/ 1.3 条件语句/ 1.4 循环语句及嵌套/ 1.4.1 while循环/ 1.4.2 for循环/ 1.4.3 嵌套、break与continue/ 1.5 函数/ 1.5.1 参数传递/ 1.5.2 不定长参数/ 1.5.3 返回值/ 第2章 类与面向对象/ 2.1 类的基本概念/ 2.2 类的属性/ 2.2.1 类属性/ 2.2.2 实例属性/ 2.3 类的方法/ 2.3.1 实例方法/ 2.3.2 类方法/ 2.3.3 静态方法/ 2.4 类的继承/ 2.5 运算符重载/ 2.6 私有与保护类型/ 2.7 直接赋值、浅复制和深度复制/ 第3章 模块、包与库/ 3.1 模块的基本概念/ 3.1.1 模块的__dict__属性/ 3.1.2 导入模块的几种方法/ 3.1.3 if __name__==__main__/ 3.2 常用的标准库模块/ 3.2.1 sys/ 3.2.2 os/ 3.2.3 glob/ 3.2.4 datetime/ 3.2.5 math/ 3.2.6 thread/ 3.2.7 urllib/ 3.3 扩展程序库numPy/ 3.3.1 numPy.ndarrays/ 3.3.2 numPy数组的基本运算/ 3.3.3 矩阵运算与随机数生成/ 3.4 扩展程序库pandas/ 3.4.1 Series与DataFrame/ 3.4.2 apply/ 3.4.3 merge和append/ 3.4.4 groupby/ 3.4.5 read_csv和to_csv/ 3.5 扩展程序库matplotlib/ 3.5.1 figure与add_subplot/ 3.5.2 matplotlib.pyplot.axes/ 第2篇 Python在量化交易中的运用 第4章 金融基础知识/ 4.1 金融资产类别/ 4.1.1 固定收益/ 4.1.2 外汇/ 4.1.3 权益/ 4.1.4 商品/ 4.1.5 信用/ 4.2 金融衍生品/ 4.2.1 远期与期货合约/ 4.2.2 期权/ 4.2.3 互换/ 4.2.4 其他衍生品/ 4.3 场内交易与场外交易/ 4.4 实例：用Python求欧式期权的隐含波动率/ 第5章 数学与统计学基础知识/ 5.1 统计学中常见的概率分布/ 5.1.1 离散型概率分布/ 5.1.2 连续型概率分布/ 5.2 贝叶斯公式/ 5.3 蒙特卡洛模拟与中心极限定理/ 5.4 随机过程与时间序列/ 5.5 几种经典随机过程模型/ 5.5.1 分式布朗运动/ 5.5.2 马尔可夫过程/ 5.6 常见的统计学习方法/ 5.6.1 线性回归与逻辑回归/ 5.6.2 决策树与随机森林/ 5.6.3 K-均值算法/ 5.6.4 神经网络与深度学习/ 5.7 数值计算方法/ 5.7.1 牛顿法/ 5.7.2 梯度下降法/ 5.7.3 有限差分法/ 5.8 实例：用深度学习处理分类问题/ 第6章 量化交易与投资策略开发/ 6.1 量化交易的市场现状/ 6.2 P-Quant与Q-Quant/ 6.3 量化投资策略的类别/ 6.4 策略开发的一些思路/ 6.5 数据的收集整理与修正/ 6.5.1 日期的格式/ 6.5.2 文件传输格式/ 6.5.3 数据质量问题的处理/ 6.6 程序和模型的测试与分析/ 6.6.1 单元测试/ 6.6.2 异常处理/ 6.6.3 模型测试/ 6.7 回测、模拟盘与实盘分析/ 6.8 实例：Python爬虫获取公司财务数据/ 第3篇 Python在量化风险管理中的应用 第7章 量化风险管理的基础知识/ 7.1 什么是量化风险管理/ 7.2 市场风险/ 7.2.1 风险价值（VaR）/ 7.2.2 预期亏损（ES）/ 7.2.3 历史模拟与蒙特卡洛/ 7.3 信用风险/ 7.3.1 额外的时间维度/ 7.3.2 潜在未来敞口（PFE）/ 7.3.3 正向敞口期望（EPE）/ 7.3.4 违约概率（PD）/ 7.4 操作风险/ 7.4.1 帕累托分布/ 7.4.2 不平衡样本/ 7.5 投资组合的风险度量/ 7.5.1 波动率/ 7.5.2 大回撤/ 7.6 实例：大回撤的O(n)复杂度的算法/ 第8章 市场因子模型与组合优化/ 8.1 资本资产定价模型/ 8.1.1 股票指数与个股/ 8.1.2 特异波动率/ 8.2 市场因子的相关矩阵/ 8.2.1 Cholesky分解/ 8.2.2 模拟指数与个股的走势/ 8.3 市场因子的主成分分析/ 8.3.1 期货合约的相关性/ 8.3.2 主成分分析的数学原理/ 8.3.3 用Python做主成分分析/ 8.3.4 用主成分做模拟/ 8.4 正态分布与肥尾分布/ 8.4.1 股票回报率的肥尾现象/ 8.4.2 正态分布的肥尾修正/ 8.5 投资组合优化/ 8.5.1 Markowitz均值-方差模型/ 8.5.2 数值方法优化投资比例/ 8.5.3 无风险收益率非零情况下的优化/ 8.6 实例：用蒙特卡洛模拟做优化/ 第4篇 综 合 实 战 第9章 量化投资策略实战/ 9.1 实战：下载股票历史行情数据/ 9.1.1 股票历史行情API/ 9.1.2 用mplfinance画K线图/ 9.1.3 批量下载历史行情数据/ 9.2 实战：多因子投资策略/ 9.2.1 特异波动率/ 9.2.2 处理数据问题/ 9.2.3 因子分组检验/ 9.2.4 投资组合评估/ 9.2.5 多因子组合/ 9.3 实战：均线投资策略/ 9.3.1 均线的计算/ 9.3.2 双均线、金叉与死叉/ 9.3.3 两种均线策略的评估/ 9.4 备注：量化投资策略的一些相关问题/ 第10章 量化风险管理实战/ 10.1 实战：股票市场因子模拟/ 10.1.1 参数测定/ 10.1.2 模拟股票指数/ 10.1.3 模拟个股的涨跌幅/ 10.1.4 市场因子模拟的一些补充/ 10.2 实战：衍生品组合的风险价值计算/ 10.2.1 用历史数据做市场因子模拟/ 10.2.2 交易数据的传输/ 10.2.3 定价模型与接口/ 10.2.4 计算风险价值/ 10.2.5 风险价值计算的一些补充/ 10.3 结语/