前言
党的二十大报告指出: 教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑。必须坚持科技是第一生产力、人才是第一资源、创新是第一动力,深入实施科教兴国战略、人才强国战略、创新驱动发展战略,这三大战略共同服务于创新型国家的建设。高等教育与经济社会发展紧密相连,对促进就业创业、助力经济社会发展、增进人民福祉具有重要意义。

在大数据和大模型的推动下,量化领域发生了深刻的变革,尤其在策略研究方面。AI随着算力爆炸性增长和智能的提升,它可以驱动量化策略研发全流程,可协助寻找论文、理解论文、编写代码、构建模型、训练模型、生成信号、特征识别、投资组合优化和参数优化等。本书旨在阐述AI如何应用在量化策略构建全流程,特别是在具体量化策略中应用前沿的算法,达到降本增效及提高投资业绩的目的。

阅读高质量的论文是策略研发者的必备技能,但专业英语阅读、数学公式理解和论文价值判断的难度常使量化爱好者望而却步。有时,他们可能花费大量时间复现论文,却发现该模型收益有限,泛化能力或在其他数据集中表现不佳。面对每天数百篇的国内外论文,如何利用人工智能和各种技术手段识别出经典、开创性和集大成的论文成为关键。笔者根据CTA策略、多因子选股、套利策略、高频策略和机器学习策略进行分类,通过AI寻找高质量的论文,借助ChatGPT等工具辅助阅读专业文献、理解数学公式,然后通过Python实现论文算法、策略回测和实盘操作来详述AI在量化策略研发全流程的应用。

本书主要内容

第1章AI量化投资简介与本书导读。本章论述量化投资的定义、特点、优势和发展演进历程,对AI技术的发展和应用现状进行了阐述,特别是对LLM的发展演进历程和金融领域的应用进行了详细论述。介绍本书的研究背景和意义,强调AI在量化交易中具有理论与实践双重价值,并将投资者以本金、学习能力、投资心态三个维度进行划分,明确投资者重点学习的策略。

第2章量化投研平台搭建。本章介绍了投研平台的搭建,包括数据库、数据获取、策略构建模块、策略回测模块、交易执行模块等,以及常见的投研平台和开源框架。

第3章人工智能时代下的量化策略开发。探讨了人工智能时代下的量化策略开发模式对比,并介绍了如何搭建LangChain+ChatGLM平台开启私人知识库的论文阅读体系。

第4章常见量化策略的分类与介绍。本章主要介绍了市场主流策略的分类和来源,包括高频交易、做市策略、CTA策略、多因子选股策略和套利策略等。

第5章做市策略。本章介绍了两种经典的做市策略,即AS模型和GP模型; 利用订单簿泊松过程建模的方法挖掘订单簿信号,订单簿的机器学习模型; 介绍了强化学习的基本概念和贝尔曼最优方程,利用A2C算法对订单簿进行建模。

第6章套利策略。系统地介绍套利标的筛选和预测择时,包含近20年来主流的套利策略和学术前沿的套利方法。标的筛选包括距离法、协整法、收益率相关性、风格暴露、聚类、PCA。预测择时有时间序列法和强化学习法。章节最后介绍了Copula法和风险管理。

第7章CTA策略。本章全面阐述了主流的CTA策略,从策略简介、定义、重要性、业绩表现等方面概述CTA策略; 具体介绍趋势跟随策略、期货截面多因子策略、网格策略; 配套TALib、风险管理和资金分配模块; 最后讲解Optuna+Vectorbt参数优选案例。

第8章多因子选股策略。本章介绍资产定价模型、三因子模型和Barra因子模型,随后介绍经典的单因子选股和因子组合方法。最后给出选股案例和因子评价方法,系统阐述多因子选股的实战流程。

第9章量化回测。本章具体介绍如何使用BigQuant进行回测,主要介绍回测引擎的使用、回测结果分析并给出大量回测案例和回测过程中的细节控制。

第10章实盘准备。本章为实盘准备提供了指导,包括股票交易、期货交易的规则,如何选择标的、交易柜台、交易平台、交易网络、经纪商、服务器等。本章提醒投资者注意风险控制和仓位控制; 了解自己和采用的策略。最后本章对全书进行总结和展望,展望量化发展方向。

阅读建议

本书是量化进阶的书籍,既有理论知识和数学公式推导,又有丰富的代码示例,包括详细的策略实施流程,实操性强。由于量化投资是一个多学科交叉的职业,需要掌握高等数学、金融工程和计算机科学技术,建议读者在阅读本书前,对上述前置知识进行充分复习,本书提供了相应的配套视频。此外,量化策略章节配套了相关的代码示例,全部以Jupyter Notebook格式提供,以便读者复现和验证。

投资涉及风险。本书所有代码与示例仅限于教育用途,并不代表任何投资建议。本书不代表将来的交易会产生与示例同样的回报或亏损。

投资者在做出交易决策之前必须评估风险,确认自身可以承受风险方可投资。

资源下载提示

素材(源码)等资源: 扫描目录上方的二维码下载。

视频等资源: 扫描封底的文泉云盘防盗码,再扫描书中相应章节的二维码,可以在线学习。

致谢

本书撰稿过程得到Dragon量化社区和BigQuant(宽邦科技)的鼎力支持,社区成员近20多位业界精英贡献内容和进行统稿工作,他们大部分毕业于国内985顶尖院校或全球QS Top 100强院校。本书的主要撰稿人员包括江建武(负责第1~5章、第10章的框架安排和主要撰稿任务)、季枫(负责第6章框架安排及第7章主要撰稿任务和统筹安排)、梁举(负责第8章和第9章的主要撰稿任务)等。

本书撰稿过程中,感谢Dragon社区成员贡献相关内容,具体章节和参编人员按照章节顺序如下。

第1章刘钟秦补充介绍AI发展历程及调整章节架构和改稿工作。

第2~4章李树毅博士、洛云七对章节逻辑和架构进行了调整,其中4.2.3节内容由做市策略PM王者风提供内容。

第5章GP模型和强化学习由CQF持证人Galois明昊撰稿,江建武进行改稿并提供相应代码。基于随机过程和深度学习模型的订单簿建模部分由CFA持证人熊元康撰稿,他拥有美国及新加坡双硕士、工程学及金融学双学士学位,曾任美国道富银行量化研究员,现任头部券商自营量化交易员。

第6章套利策略章节由唐承治和季枫进行统稿校对,时间序列法章节由钟睿撰稿,协整法章节由张英发撰稿,随机控制章节由张南怡撰稿,Copula章节由钟宪庆撰稿,强化学习章节由梁栋撰稿,综述和机器学习由季枫撰稿。

第7章CTA策略前4节由Rich、Alex和Ray撰稿,策略实施流程和相关案例由张辛宁、张若琦、季枫撰稿。7.5节由邵守田带队完成,7.6节由同济大学吴卓远撰稿,网格策略和后续节由季枫带队完成撰稿。

第8章选股策略概述和选股因子由BigQuant首席执行官梁举、Ray撰稿,因子的组合方法由吴卓远撰稿,多因子选股实践与案例由北京大学金融系周伟伦撰稿,选股案例的代码由熊元康提供,章节统稿由BigQuant首席策略官邵守田完成。

第9章回测由梁举撰稿,宽邦科技陈旭团队、范天旭进行统稿和校对。

第10章实盘前的准备,资深期货人熊震先生提供期货相关资料和部分章节撰稿,刘钟秦进行了统稿。

写一本科技类的图书力求做到用词准确、行文逻辑清晰、代码规范、符合出版要求,而且参与编纂和统稿的大部分人员有主业,为了高质量地完成图书编辑工作,本书主创团队委托浙江大学李树毅博士带队,Dragon量化社区腾龙一期的学员范天旭、江林昊等进行全书的校对和润色工作。此外,要感谢BigQuant在撰稿期间提供算力平台、数据和各种资料,特别感谢邵守田、何惠琳、陈志杰校稿人员的鼎力支持,感谢资深互联网专家从业者临风先生参与书籍修订工作。尤其感谢徐江平提供的内容质量评价体系。由于参与人员较多,可能遗漏部分参编人员,在此对所有参与编辑的人员表示衷心感谢。

由于时间仓促,书中难免存在不妥之处,请读者见谅,并提宝贵意见。


江建武季枫梁举
2024年6
月




图书简介