基于R语言:量化交易学习指南

长期以来，量化分析师面临着诸多挑战，但相应的待遇也很好丰厚，行业里有名的公司和投资银行都在积极争夺相关人才。假如你想让自己掌握相关技能，并学会应用流行的R语言来解决量化金融世界中真实涌现的各式难题，那么本书就是为你量身定制的宝贵资源。 本书基于R语言进行讲解，循序渐进地教读者如何构建量化金融模型，如何通过R编程高效地解决金融难题，同时还将机器学习算法、时间序列分析、预测建模、风险分析等重要技术点纳入其中。书中展示了诸多易于理解的示例和应用级案例，这些内容有助于读者更好地理解相关的主题以及如何在R中通过编程实现。 阅读本书后，你将能够： （1）了解R语言的基础知识及其在量化金融领域中的应用； （2）用R处理数据和构建模型； （3）探究不同类型的分析技术， 如统计分析、时间序列分析、预测建模和计量分析等； （4）用真实世界的数据和案例来构建和分析量化金融模型； （5）学习用真实世界的案例来开发交易策略； （6）在基于模型做出决策前，要先确定合适的绩效测度指标； （7）深入了解基于机器学习的量化交易； （8）掌握算法交易及其优化方法； （9）学会管理和对冲金融工具的风险。

R既是统计、挖掘、计算、分析、制图等方面的工具，也是一个强大的开发与应用平台。在大数据时代，任何与数据相关的难题，都可以借助R语言来解决。而金融领域正是与数据密切相关的行业，可以通过R这一工具来实现量化金融建模与量化交易。 本书包括9章内容，书中包含诸多真实的金融案例，旨在通过循序渐进的讲解帮助读者了解R，并学会在量化金融与量化交易中使用R。本书还介绍了有关统计建模、计量分析与小波分析、时间序列建模、算法交易、基于机器学习的交易、风险管理、衍生品定价等重要内容。 本书适合对R及其应用感兴趣的读者阅读，尤其适合想要在量化交易中使用R的读者学习。本书并不要求读者具备R编程的知识，但希望读者对数学分析有一些了解。

Param Jeet从印度理工学院马德拉斯分校（IITM）获得数学博士学位。Param Jeet博士在多个靠前刊物上发表多篇数学方面的研究论文。过去几年，Param Jeet博士进入数据分析行业，并以数据科学家的身份为多家跨国公司工作或提供咨询服务。 Prashant Vats从印度理工学院获得数学硕士学位。Prashant进入数据分析行业已有10年时间，作为数据科学家供职于多家跨国公司，提供多领域的咨询服务。

第 1章 R语言入门 1 1.1 为什么要用R 1 1.2 下载并安装R软件 2 1.3 安装R程序包 3 1.3.1 直接从CRAN安装 3 1.3.2 手动安装 4 1.4 数据类型 4 1.4.1 向量 5 1.4.2 列表 6 1.4.3 矩阵 7 1.4.4 数组 7 1.4.5 因子 7 1.4.6 数据框 8 1.5 导入和输出不同类型的数据 8 1.5.1 读取和存储CSV格式文档 9 1.5.2 XLSX文档 10 1.5.3 网络数据或在线数据资源 11 1.5.4 数据库 12 1.6 编写表达式 13 1.6.1 表达式 13 1.6.2 符号和赋值 15 1.6.3 关键词 15 1.6.4 变量命名 15 1.7 函数 16 1.7.1 调用函数（无需参数） 17 1.7.2 调用函数（需要参数） 17 1.8 如何执行R程序 18 1.8.1 在R代码窗中运行存盘的脚本文档 18 1.8.2 加载R脚本文档 18 1.9 循环与条件 19 1.9.1 if语句 19 1.9.2 if … else语句 20 1.9.3 for循环 20 1.9.4 while循环 21 1.9.5 apply()函数 21 1.9.6 sapply()函数 21 1.10 循环控制语句 22 1.10.1 break语句 22 1.10.2 next语句 22 1.11 问题 23 1.12 小结 23 第 2章 统计建模 25 2.1 概率分布 25 2.1.1 正态分布 26 2.1.2 对数正态分布 28 2.1.3 泊松分布 30 2.1.4 均匀分布 31 2.1.5 极值理论 31 2.2 抽样 33 2.2.1 随机抽样 33 2.2.2 分层抽样 35 2.3 统计量 36 2.3.1 均值 36 2.3.2 中位数 36 2.3.3 众数 36 2.3.4 概览 37 2.3.5 矩 37 2.3.6 峰度 37 2.3.7 偏度 38 2.4 相关性 38 2.4.1 自相关性 38 2.4.2 偏自相关性 39 2.4.3 交叉相关性 40 2.5 假设检验 40 2.5.1 总体均值的下侧单尾检验（方差已知） 40 2.5.2 总体均值的上侧单尾检验（方差已知） 41 2.5.3 总体均值的双尾检验（方差已知） 42 2.5.4 总体均值的下侧单尾检验（方差未知） 43 2.5.5 总体均值的上侧单尾检验（方差未知） 44 2.5.6 总体均值的双尾检验（方差未知） 44 2.6 参数估计 45 2.6.1 极大似然估计 45 2.6.2 线性模型 47 2.7 异常值侦测 48 2.7.1 箱形图 48 2.7.2 LOF算法 48 2.8 标准化 49 2.9 归一化 50 2.10 问题 50 2.11 小结 51 第3章 计量分析与小波分析 52 3.1 简单线性回归 53 3.1.1 散点图 53 3.1.2 可决系数 55 3.1.3 显著性检验 55 3.1.4 置信区间 56 3.1.5 残差图 56 3.1.6 误差项正态分布 57 3.2 多元线性回归 58 3.2.1 可决系数 59 3.2.2 置信区间 60 3.2.3 多重共线性 60 3.3 ANOVA 60 3.4 特征选择 61 3.4.1 考察相关系数矩阵 62 3.4.2 逐步法变量选择 63 3.4.3 用分类技术进行变量选择 63 3.4.4 变量排序 64 3.5 小波分析 64 3.6 快速傅里叶变换 70 3.7 希尔伯特变换 71 3.8 问题 73 3.9 小结 74 第4章 时间序列建模 75 4.1 时间序列概述 76 4.2 将数据转化为时间序列 76 4.3 zoo包 78 4.3.1 构建zoo对象 78 4.3.2 用zoo包读入外部数据 79 4.3.3 zoo对象的优点 79 4.3.4 zoo对象的缺点 81 4.4 xts包 81 4.4.1 调用as.xts()构建xts对象 81 4.4.2 从头开始构建xts对象 82 4.5 线性过滤器 83 4.6 AR模型 84 4.7 MA模型 85 4.8 ARIMA模型 86 4.9 GARCH模型 90 4.10 EGARCH模型 91 4.11 VGARCH模型 92 4.12 动态条件相关性模型 94 4.13 问题 96 4.14 小结 96 第5章 算法交易 97 5.1 动量或方向性交易 98 5.2 配对交易 106 5.2.1 基于距离的配对交易 106 5.2.2 基于相关性的配对交易 112 5.2.3 基于协整关系的配对交易 115 5.3 资本资产定价模型 118 5.4 多因子模型 120 5.5 构建投资组合 126 5.6 问题 130 5.7 小结 130 第6章 基于机器学习的交易 131 6.1 逻辑回归 132 6.2 神经网络 138 6.3 深度神经网络 146 6.4 K均值算法 148 6.5 K近邻法 151 6.6 支持向量机 154 6.7 决策树 156 6.8 随机森林 157 6.9 问题 160 6.10 小结 161 第7章 风险管理 162 7.1 市场风险 162 7.2 投资组合风险 164 7.3 风险值 167 7.3.1 参数VaR 167 7.3.2 历史VaR 168 7.4 蒙特卡罗模拟 170 7.5 风险对冲 171 7.6 巴塞尔监管 172 7.7 信用风险 173 7.8 欺诈识别 177 7.9 负债管理 180 7.10 问题 180 7.11 小结 181 第8章 很优化 182 8.1 动态再平衡 182 8.2 前行测试 185 8.3 网格测试 185 8.4 遗传算法 188 8.5 问题 192 8.6 小结 192 第9章 衍生品定价 193 9.1 期权定价 193 9.1.1 Black-Scholes模型 194 9.1.2 Cox-Ross-Rubinstein模型 195 9.1.3 希腊字母 198 9.2 隐含波动率 200 9.3 债券定价 201 9.4 信用利差 204 9.5 信用违约互换 207 9.6 利率衍生品 208 9.7 奇异期权 209 9.8 问题 213 9.9 小结 213