量化投资:MATLAB数据挖掘技术与实践+2

内容简介

全书内容分为三篇。第1篇为基础篇，主要介绍量化投资与数据挖掘的关系，以及数据挖掘的概念、实现过程、主要内容、主要工具和MATLAB的快速入门操作技巧等。第2篇为技术篇，系统介绍了数据挖掘的相关技术及这些技术在量化投资中的应用，主括数据的准备、数据的探索、关联规则方法、数据回归方法、分类方法、聚类方法、预测方法、诊断方法、时间序列方法、智能优化方法等内容。第3篇为实践篇，主要介绍数据挖掘技术在量化投资中的综合应用实例括统计套利策略的挖掘与优化、配对交易策略的挖掘与实现、基于Wind数据的程序化交易、基于Quantrade台的量化投资、趋势跟踪策略及实现过程，以及基于数据挖掘技术的量化交易系统的构建。本书的读者对象为从事投资、数据挖掘、数据分析、数据管理工作的专业人士；金融、经济、管理、统计等专业的教师和学生；希望学TLAB的广大科研人员、学者和工程技术人员。

目录

第1篇 基础篇第1章 绪论 21.1 量化投资与数据挖掘的关系 21.1.1 什么是量化投资 21.1.2 量化投资的特点 31.1.3 量化投资的核心――量化模型 41.1.4 量化模型的主要产生方法――数据挖掘 61.2 数据挖掘的概念和原理 71.2.1 什么是数据挖掘 71.2.2 数据挖掘的原理 81.3 数据挖掘在量化投资中的应用 91.3.1 宏观经济分析 91.3.2 估价 111.3.3 量化选股 111.3.4 量化择时 111.3.5 算法交易 121.4 本章小结 13参考文献 13第2章 数据挖掘的内容、过程及工具 142.1 数据挖掘的内容 142.1.1 关联 142.1.2 回归 152.1.3 分类 162.1.4 聚类 172.1.5 预测 182.1.6 诊断 192.2 数据挖掘的过程 202.2.1 数据挖掘过程的概述 202.2.2 目标的定义 202.2.3 数据的准备 212.2.4 数据的探索 222.2.5 模型的建立 242.2.6 模型的评估 272.2.7 模型的部署 282.3 数据挖掘工具 292.3.1 MATLAB 292.3.2 SAS 302.3.3 SPSS 312.3.4 WEKA 322.3.5 R 332.3.6 工具的比较与选择 342.4 本章小结 35参考文献 35第3章 MATLAB快速入门及实用技巧 363.1 MATLAB快速入门 363.1.1 MATLAB概要 363.1.2 MATLAB能 373.1.3 快速入门案例 383.1.4 入门后的提高 453.2 MATLAB常用技巧 453.2.1 常用标点能 453.2.2 常用操作指令 453.2.3 指令编辑操作键 463.2.4 MATLAB中的数据类型 463.3 MATLAB的开发模式 473.3.1 命令行模式 473.3.2 脚本模式 473.3.3 面向对象模式 473.3.4 三种模式的配合 483.4 本章小结 48第2篇 技术篇第4章 数据的准备 514.1 数据的收集 514.1.1 认识数据 514.1.2 数据挖掘的数据源 524.1.3 数据抽样 534.1.4 量化投资的数据源 544.1.5 从雅虎获取交易数据 564.1.6 从大智慧获取公司财务数据 584.1.7 从Wind中获取高质量数据 594.2 数据质量分析 614.2.1 数据质量分析的必要 614.2.2 数据质量分析的目的 614.2.3 数据质量分析的内容 614.2.4 数据质量分析的方法 624.2.5 数据质量分析的结果及应用 664.3 数据预处理 664.3.1 为什么需要数据预处理 664.3.2 数据预处理的主要任务 674.3.3 数据清洗 684.3.4 数据集成 714.3.5 数据归约 724.3.6 数据变换 734.4 本章小结 74参考文献 75第5章 数据的探索 765.1 衍生变量 775.1.1 衍生变量的定义 775.1.2 变量衍生的原则和方法 775.1.3 常用的股票衍生变量 785.1.4 评价型衍生变量 825.1.5 衍生变量数据的收集与集成 835.2 数据的统计 845.2.1 基本描述统计 855.2.2 分布描述统计 865.3 数据可视化 865.3.1 基本可视化方法 865.3.2 数据分布形状可视化 875.3.3 数据关联情况可视化 895.3.4 数据分组可视化 905.4 样本选择 915.4.1 样本选择的方法 915.4.2 样本选择应用实例 915.5 数据降维 935.5.1 主成分分析（PCA）的基本原理 935.5.2 PCA应用实例：企业综合实力排序 965.5.3 相关系数降维 985.6 本章小结 99第6章 关联规则方法 1016.1 关联规则概要 1016.1.1 关联规则的提出背景 1016.1.2 关联规则的基本概念 1026.1.3 关联规则的分类 1036.1.4 关联规则挖掘常用算法 1046.2 Apriori算法 1046.2.1 Apriori算法的基本思想 1046.2.2 Apriori算法的步骤 1056.2.3 Apriori算法的实例 1056.2.4 Apriori算法的程序实现 1076.2.5 Apriori算法的优缺点 1106.3 FP-Growth算法 1106.3.1 FP-Growth算法的步骤 1106.3.2 FP-Growth算法的实例 1116.3.3 FP-Growth算法的优缺点 1136.4 应用实例：行业关联选股法 1136.5 本章小结 114参考文献 115第7章 数据回归方法 1167.1 一元回归 1177.1.1 一元线回归 1177.1.2 一元非线回归 1207.1.3 一元多项式回归 1247.2 多元回归 1257.2.1 多元线回归 1257.2.2 多元多项式回归 1277.3 逐步回归 1307.3.1 逐步回归的基本思想 1307.3.2 逐步回归的步骤 1317.3.3 逐步回归的MATLAB方法 1317.4 逻辑斯蒂回归 1337.4.1 逻辑斯蒂回归模型 1337.4.2 逻辑斯蒂回归实例 1347.5 应用实例：多因子选股模型的实现 1367.5.1 多因子模型的基本思想 1367.5.2 多因子选股模型的实现 1377.6 本章小结 140第8章 分类方法 1418.1 分类方法概要 1418.1.1 分类的概念 1418.1.2 分类的原理 1428.1.3 常用的分类方法 1438.2 K邻分类 1438.2.1 K邻分类的原理 1438.2.2 K邻分类的实例 1458.2.3 K邻分类的特点 1478.3 贝叶斯分类 1478.3.1 贝叶斯分类的原理 1478.3.2 朴素贝叶斯分类的原理 1488.3.3 朴素贝叶斯分类的实例 1508.3.4 朴素贝叶斯分类的特点 1508.4 神经网络 1518.4.1 神经网络的原理 1518.4.2 神经网络的实例 1538.4.3 神经网络的特点 1538.5 逻辑斯蒂分类 1548.5.1 逻辑斯蒂分类的原理 1548.5.2 逻辑斯蒂分类的实例 1548.5.3 逻辑斯蒂分类的特点 1548.6 判别分析 1558.6.1 判别分析的原理 1558.6.2 判别分析的实例 1568.6.3 判别分析的特点 1568.7 支持向量机（SVM） 1568.7.1 SVM的基本思想 1578.7.2 SVM的理论基础 1578.7.3 SVM的实例 1598.7.4 SVM的特点 1608.8 决策树 1608.8.1 决策树的基本概念 1608.8.2 决策树建构的步骤 1618.8.3 决策树的实例 1648.8.4 决策树的特点 1648.9 分类的评判 1658.9.1 正确率 1658.9.2 ROC曲线 1668.10 应用实例：分类选股法 1688.10.1 实例背景 1688.10.2 实现方法 1698.11 延伸阅读：其他分类方法 1718.12 本章小结 172第9章 聚类方法 1739.1 聚类方法概要 1739.1.1 聚类的概念 1739.1.2 类的度量方法 1759.1.3 聚类方法的应用场景 1769.1.4 聚类方法的分类 1779.2 K-means聚类 1779.2.1 K-means算法的原理和步骤 1779.2.2 K-means聚类实例1：自主编程 1789.2.3 K-means聚类实例2：集成函数 1809.2.4 K-means算法的特点 1839.3 层次聚类 1839.3.1 层次聚类的原理和步骤 1839.3.2 层次聚类的实例 1859.3.3 层次聚类的特点 1879.4 神经网络聚类 1879.4.1 神经网络聚类的原理和步骤 1879.4.2 神经网络聚类的实例 1879.4.3 神经网络聚类的特点 1889.5 模糊C均值（FCM）方法 1889.5.1 模糊C均值的原理和步骤 1889.5.2 模糊C均值方法的应用实例 1899.5.3 模糊C均值算法的特点 1909.6 高斯混合聚类方法 1909.6.1 高斯混合聚类的原理和步骤 1909.6.2 高斯聚类的实例 1929.6.3 高斯聚类的特点 1939.7 类别数的确定方法及实例 1939.7.1 类别数的确定方法 1939.7.2 类别数的确定实例 1949.8 应用实例：股票聚类分池 1969.8.1 聚类的目标和数据描述 1969.8.2 实现过程 1969.8.3 结果及分析 1989.9 延伸阅读 1999.9.1 目前聚类分析研究的主要内容 1999.9.2 SOM智能聚类算法 2009.10 本章小结 201参考文献 201第10章 预测方法 20210.1 预测方法概要 20210.1.1 预测的概念 20210.1.2 预测的基本原理 20210.1.3 量化投资中预测的主要内容 20310.1.4 预测的度评价及影响因素 20410.1.5 常用的预测方法 20510.2 灰色预测 20610.2.1 灰色预测的原理 20610.2.2 灰色预测的实例 20810.3 马尔可夫预测 20910.3.1 马尔可夫预测的原理 20910.3.2 马尔可夫过程的特 21010.3.3 马尔可夫预测的实例 21110.4 应用实例：大盘走势预测 21410.4.1 数据的选取及模型的建立 21410.4.2 预测过程 21610.4.3 预测结果与分析 21610.5 本章小结 217参考文献 218第11章 诊断方法 21911.1 离群点诊断概要 21911.1.1 离群点诊断的定义 21911.1.2 离群点诊断的作用 22011.1.3 离群点诊断方法的分类 22111.2 基于统计的离群点诊断 22111.2.1 理论基础 22111.2.2 应用实例 22311.2.3 优点与缺点 22411.3 基于距离的离群点诊断 22511.3.1 理论基础 22511.3.2 应用实例 22611.3.3 优点与缺点 22711.4 基于密度的离群点诊断 22711.4.1 理论基础 22711.4.2 应用实例 22811.4.3 优点与缺点 22911.5 基于聚类的离群点诊断 23011.5.1 理论基础 23011.5.2 应用实例 23011.5.3 优点与缺点 23211.6 应用实例：离群点诊断量化 择时 23211.7 延伸阅读：新兴的离群点挖掘诊断 方法 23311.7.1 基于关联的离群点挖掘 23311.7.2 基于粗糙集的离群点挖掘 23411.7.3 基于人工神经网络的离群点挖掘 23411.8 本章小结 235参考文献 235第12章 时间序列方法 23612.1 时间序列的基本概念 23612.1.1 时间序列的定义 23612.1.2 时间序列的组成因素 23712.1.3 时间序列的分类 23812.1.4 时间序列分析方法 23812.2 稳时间序列分析方法 23912.2.1 移均法 23912.2.2 指滑法 24012.3 季节指数预测法 24012.3.1 季节模型 24012.3.2 季节趋势模型 24112.4 时间序列模型 24212.4.1 ARMA模型 24212.4.2 ARIMA模型 24212.4.3 ARCH模型 24312.4.4 GARCH模型 24312.5 应用实例：基于时间序列的股票 预测 24412.6 本章小结 247参考文献 247第13章 智能优化方法 24813.1 智能优化方法概要 24813.1.1 智能优化方法的概念 24813.1.2 智能优化方法在量化投资领域的 作用 24913.1.3 常用的智能优化方法 24913.2 遗传算法 25013.2.1 遗传算法的原理 25013.2.2 遗传算法的步骤 25113.2.3 遗传算法的实例 25713.2.4 遗传算法的特点 25813.3 模拟退火算法 25913.3.1 模拟退火算法的原理 25913.3.2 模拟退火算法的步骤 26013.3.3 模拟退火算法的实例 26213.3.4 模拟退火算法的特点 26713.4 应用实例：组合投资优化 26813.4.1 问题描述 26813.4.2 求解过程 26813.5 延伸阅读：其他智能方法 26913.5.1 粒子群算法 26913.5.2 蚁群算法 27113.6 本章小结 272参考文献 272第3篇 实践篇第14章 统计套利策略的挖掘与 优化 27414.1 统计套利策略概述 27414.1.1 统计套利的定义 27414.1.2 统计套利策略的基本思想 27414.1.3 统计套利策略挖掘的方法 27514.2 基本策略的挖掘 27614.2.1 准备数据 27614.2.2 探索交易策略 27614.2.3 验证交易策略 27714.2.4 选择佳的参数 27814.2.5 参数扫描方法 27914.2.6 考虑交易费 28114.3 高频交易策略及优化 28214.3.1 高频交易的基本思想 28214.3.2 高频交易的实现 28414.4 多交易信号策略的组合及优化 28614.4.1 多交易信号策略 28614.4.2 交易信号的组合优化机理 28714.4.3 交易信号的组合优化实现 28814.5 本章小结 290参考文献 291第15章 配对交易策略的挖掘与 实现 29215.1 配对交易概述 29215.1.1 配对交易的定义 29215.1.2 配对交易的特点 29315.1.3 配对选取步骤 29315.2 协整检验的理论基础 29415.2.1 协整关系的定义 29415.2.2 EG两步协整检验法 29515.2.3 Johansen协整检验法 29515.3 配对交易的实现 29615.3.1 协整检验的实现 29615.3.2 配对交易函数 29715.3.3 协整配对中的参数优化 30015.4 延伸阅读：配对交易的三要素 30115.4.1 配对交易的前提 30115.4.2 配对交易的关键 30115.4.3 配对交易的假设 30115.5 本章小结 302参考文献 302第16章 基于Wind数据的程序化 交易 30316.1 程序化交易概述 30316.1.1 程序化交易的定义 30316.1.2 程序化交易的实现过程 30416.1.3 程序化交易的分类 30516.2 数据的处理及探索 30616.2.1 获取股票日交易数据 30616.2.2 计算指标 30916.2.3 数据标准化 31516.2.4 变量筛选 31616.3 模型的建立及评估 31816.3.1 股票预测的基本思想 31816.3.2 模型的训练及评价 31816.4 组合投资的优化 32116.4.1 组合投资的理论基础 32116.4.2 组合投资的实现 32316.5 程序化交易的实施 32716.6 本章小结 327参考文献 328第17章 基于Quantrade台的 量化投资 32917.1 量台概述 32917.1.1 量台现状 32917.1.2 Quantrade台的构成 33017.1.3 Quantrader的工作流程 33117.2 基于Quantrade台的量化实现 过程 33117.2.1 获取交易数据 33117.2.2 计算衍生变量 33317.2.3 数据标准化 33317.2.4 变量 33317.2.5 训练模型 33417.2.6 策略回测 33417.3 延伸阅读：Quantrade台的 拓展 335第18章 趋势跟踪策略及实现过程 33818.1 趋势跟踪策略简介 33818.2 趋势跟踪策略的基本设定 33918.2.1 策略准则的设定 33918.2.2 策略主要参数的设定 34018.2.3 有效突破的设定 34018.3 均线-收盘价策略的实现过程 34018.3.1 均线-收盘价策略的MATLAB 实现 34118.3.2 参数讨论 34318.4 双均线策略 34318.4.1 双均线策略的MATLAB实现 34318.4.2 参数讨论 34518.5 上升支撑线策略 34618.5.1 上升支撑线策略的MATLAB 实现 34718.5.2 参数讨论 34918.6 下跌压力线策略 34918.6.1 下跌压力线策略的MATLAB 实现 34918.6.2 参数讨论 35118.7 本章小结 352第19章 基于数据挖掘技术的量化交易系统 35319.1 交易系统概述 35319.1.1 交易系统的定义 35319.1.2 交易系统的作用 35419.2 DM交易系体设计 35519.2.1 系统目标 35519.2.2 相关约定 35519.2.3 系统结构 35519.3 短期交易子系统 35619.3.1 子系能描述 35619.3.2 数据预处理模块 35619.3.3 量化选股模块 35619.3.4 策略回测模块 35719.4 中交易子系统 35719.4.1 子系能描述 35719.4.2 导入数据模块 35719.4.3 投资组合优化模块 35819.5 系统的拓展与展望 35919.6 本章小结 360