本书主要以国内A股市场为例，借助第三方量化交易平台，讲述了KNN、线性模型、决策树、支持向量机、朴素贝叶斯等常见机器学习算法在交易策略中的应用，同时展示了如何对策略进行回测，以便让读者能够有效评估自己的策略。 另外，本书还讲解了自然语言处理（NLP）技术在量化交易领域的发展趋势，并使用时下热门的深度学习技术，向读者介绍了多层感知机、卷积神经网络，以及长短期记忆网络在量化交易方面的前瞻性应用。 本书没有从Python基础语法讲起，对于传统交易策略也只是一带而过，直接将读者带入机器学习的世界。本书适合对Python语言有一定了解且对量化交易感兴趣的读者阅读。

前 言 总有些人，不甘平凡 不管是在上学的时候，还是走向工作岗位之后，大家可能都会遇到这样的人—他们 从不满足于平凡的现状，常常想着如何让自己的生活变得更好。于是他们比别人花更多的 时间“泡”图书馆、查资料、加班，努力学习，认真思考，总想找到一条让自己的人生发 生“质变”的路。 有句“鸡汤”是这么说的：上天总会奖励那些偷偷努力的人。虽说“鸡汤”适量“饮 用”就好，不过说真的，就我们目前观察，努力的人大概率还是能够提升自己的生活品质的。 不过大家要注意，这里说的是“大概率”，而不是说“肯定”。因为即使你很努力，但是 努力的方向选得不太好，那很可能会事倍功半。 就像我们这本书的主角—小瓦，她有足够的动力去改变自己的生活，也为了这个目 标很努力地在学习和思考，但她需要一个很好的努力方向来实现自己的人生目标，而本书 的目的也是要帮助她厘清思路，使她掌握相关的技能。 当然，在培养起兴趣，并掌握了基本技能之后，小瓦未来还要再接再厉，勇攀高峰。 常言道，“功夫不负有心人”。相信只要坚持不懈地钻研，小瓦最终会过上自己想要的生活（小 瓦的名字来源于北欧神话中女武神Valkyria的名字，暗指她未来将会有很高的成就）。 本书会带给读者什么 这里要强调的是，本书并不是鼓励大家都去一头扎进量化交易当中，把它当作实现“一 夜暴富”的捷径。实际上，本书写作的初衷是：在股票交易这个门槛较低，且数据相对比 较完善的场景当中，让读者可以像小瓦一样，提高自己的数据分析能力，掌握机器学习技能。 再直白一点地说，如果读者朋友和小瓦有类似的动机和背景，那本书带给你的是一种 I 深入浅出Python量化交易实战 II 思维方式和比较通用的技能：你会更加重视数据在各种业务场景中的重要性；了解如何使 用科学的方式去分析和解决业务问题，如何使用算法在多个维度的数据中找到最有用的信 息，如何使用机器学习和深度学习技术对目标做出预测，以及如何处理文本数据等。 退一步讲，即使读者朋友没有使用量化交易技术进行投资，依靠上述技能仍然可以获得 一份不错的收入（如找一份数据分析师的工作，或者是兼职帮别人做点事情），这样也算是 “进可攻退可守”的策略了。 本书内容及体系结构 本书以完全没有量化交易经验的对象视角，从最基础的环境搭建开始进行讲解，并 直接带读者进入多因子、机器学习的时代。本书后半部分更是紧贴国际前沿趋势，介绍了 NLP技术在量化交易领域的应用，以便读者参考。 本书更多地采用启发式的方法，让读者朋友能够跟着相关内容不停思考和尝试，而不 是简单地照搬现有策略。 第1章，先是简单介绍了小瓦的情况，以便让读者朋友们更有代入感；紧接着对人类 的交易历史做了简明的阐述，主要是为了让读者朋友们可以了解交易技术的发展脉络，对 量化交易的概念有基本的认知；随后直接带读者进入环境配置的环节，并使用真实的股票 数据集进行实验，让喜欢实操的读者对量化交易有一个直观的感受，并产生兴趣。 第2章，通过对小瓦策略的回测，向读者朋友介绍了回测的基本概念和简单方法；随 后简单介绍了一些历史上比较经典的交易策略—移动平均策略和海龟策略，并通过简单 的回测让读者朋友对这两种策略的收益情况有一个大致的了解。 第3章，就开始让读者朋友们和小瓦一起接触机器学习的概念了。本章先是用通俗易 懂的例子讲解了有监督学习和无监督学习的概念；然后对机器学习中的分类和回归进行了 阐述；随后用真实的股票数据训练了一个简单的KNN模型，并基于KNN模型编写了简单 的交易策略，最后对这个策略进行了简单的回测。 第4章，为了能够让小瓦和读者朋友们更加专注于策略的编写和回测，我们挑选了一个 第三方量化交易平台，并基于该平台的研究环境，讲解了如何获取股票的概况数据、财务数 据、股东数据、主力资金流入/流出数据等。从本章开始，本书附带的代码，需要在该平台上 运行。 第5章，开始介绍时下流行的因子。为了给读者朋友带来更多启发，我们让小瓦发动 前言 III 自己的聪明才智设计了一个专属于自己的“瓦氏因子”，并借此向读者朋友展示了因子的 基本原理；随后使用代码，通过第三方量化交易平台获取了股票的市值因子、现金流因子、 净利率因子等；最后别出心裁地使用了无监督学习的主成分分析（PCA）算法，把上述一 些因子进行了“打包”，并借此进行了选股的实验。 第6章，介绍了对因子进行分析的方法。这里我们建立了一个实验用的投资组合，并 以“成交量的5日指数移动平均”因子为例，介绍了如何对因子进行收益分析、因子的IC 分析，以及因子换手率、因子相关性和因子预测能力的分析，以便让读者朋友对因子的评 价方法有基本的了解，并可以掌握相关的方法。 第7章，开始将机器学习与多因子进行结合。介绍了机器学习中的线性模型算法，包 括最基础的线性回归算法和使用正则化的岭回归算法，并使用实验数据集对两种算法进行 了对比；紧接着使用了多个因子与线性模型结合，编写了策略；最后使用了第三方量化交 易平台的回测功能对策略进行了回测，在这个过程中，读者朋友也可以掌握回测涉及的相 关指标。 第8章，将机器学习算法与多因子的结合更进一步。本章不仅仅介绍了决策树与随机 森林算法，更是使用了决策树的判断特征重要性的功能对若干个因子的重要性进行了计算； 随后，我们使用了决策树“认为”比较重要的因子，结合随机森林算法编写了交易策略； 同样地，也再次对策略进行了回测。 第9章，将近年来普遍在量化交易中表现比较好的支持向量机（SVM）带到读者面前。 本章从基本的原理开始介绍，之后提出了动态因子选择策略—每次运行程序都使用决策树 算法选择重要性最高的因子，再用其来训练支持向量机模型，并形成策略和进行回测。可以 说，到这一章，读者朋友们可以对传统机器学习算法在量化交易领域的应用有了初步的掌握。 第10章，会让小瓦和读者朋友一起，进入一个更新的世界—开始探讨更加前沿的尝 试：将自然语言处理技术应用于量化交易当中。本章先介绍了国际上一些知名机构在自然 语言处理和量化交易方向的一些成果，随后使用真实的新闻文本数据，介绍了中文的分词 方法及应用，为后面的章节打下基础。 第11章在第10章的基础上，让小瓦和读者朋友一起学习文本向量化方法，并使用潜 狄利克雷分布（LDA）进行话题建模技术的学习。通过本章的学习，小瓦将能够掌握如何 使用机器学习算法，从大量文本中快速获取话题。 第12章，开始让小瓦和读者朋友一起，进行文本数据情感分析的实验。在本章中，我 们还会继续使用到文本向量化方法；之后使用了在文本分类中非常常用的朴素贝叶斯算法。 深入浅出Python量化交易实战 在完成本章的学习之后，读者朋友将会和小瓦一样，掌握文本分类的基本方法。 第13章，我们让小瓦开始接触神经网络算法。作为近几年大热的人工智能算法，神经 网络不论是在图像识别方面还是在文本分类方面，都有广泛的应用。本章主要向小瓦和读 者朋友介绍对用户非常友好的深度学习框架—Keras，并介绍如何使用Keras内置的工具 对文本数据进行处理；随后使用Keras搭建了多层感知机（全连接层）神经网络，对文本 的情绪进行分类实验。 第14章，在小瓦已经掌握多层感知机的基础上，我们进一步介绍了卷积神经网络和长 短期记忆网络的原理，并基于文本分类任务，分别训练了卷积神经网络和长短期记忆网络。 经过本章的学习之后，小瓦和读者朋友可以掌握卷积神经网络和长短期记忆网络的原理和 基本的训练方法。 第15章，提出了一些问题，并对小瓦未来学习和研究的方向给出了一些建议，也给读 者朋友提供了一些参考。 本 书 特 色 1.视角独特，让读者能够有较强的代入感 本书以一个女大学生的故事作为开篇，将她的动机和基础条件列出—想要改善自己 的生活状态，并且有一些Python基础，对于量化交易只是听说过，但从来没有接触过。因 此本书站在她的角度，内容安排由浅入深，层层递进，让读者能够轻松入门，不会觉得难 于上手。 2.内容新颖，核心内容单刀直入 本书没有花篇幅去讲解Python基础语法、数据类型等基础知识（因为市面上此类的书 籍已经很多），而是本着实用性原则，给读者朋友呈现的都是核心内容，文字与代码精练， 读者朋友容易上手。 3.紧跟国际潮流，给读者更前沿的视野 本书的另一特点是，对传统的交易策略一带而过。作者重点对目前国内外热门的机器 学习算法相关应用进行了系统的阐述。对于国际上先进的自然语言处理技术和神经网络的 应用，作者更是不吝笔墨，为读者朋友做了系统的介绍。这样做的目的是让读者朋友能够 了解国际上更加前沿的做法，并给读者朋友留下思考和探索的空间，能够让读者朋友在入 门之后，有进一步努力的方向。 前言 本书读者对象 ● 学习Python，但没找到应用场景的朋友； ● 对股票投资感兴趣，想尝试量化交易的朋友； ● 有意向进入投资机构，成为一名量化基金经理的朋友； ● 平时工作不是很忙，打算做点副业的朋友。 由于作者水平有限，本书难免会有疏漏之处，欢迎各位读者朋友指正。 作 者

版权图片链接