機器交易：利用算法贏得市場先機 ( 簡體 字) |
| 作者：[美]歐內斯特·P.陳（Ernest P. Chan） 著 林通 譯 | 類別：1. -> 程式設計 -> 綜合 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 51319
詢問書籍請說出此書號！【缺書】
NT售價： 445 元 |
| 出版日：6/1/2019 |
| 頁數：196 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302530268 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：序 言
想學好一些東西的最好方法，就是把它傳授給其他人（Bargh & Schul，1980．見參考文獻）。因此我承認，我寫這本書（第三本，并且是一個系列中目前為止最高級的）的一個主要動機，是迫使自己更深入地研究如下題目。
? 最新的回測與交易平臺，以及最佳的與最節省成本的數據供應商（第1章）。
? 如何挑選算法執行的最佳經紀人，以及應該采用哪些預防措施（第1章）。
? 對于不同的資產與策略，優化配置的最簡單方法（第1章）。
? 因子模型，包括那些從期權市場衍生出來的因子模型，以及為什么它們對短線交易者有用（第2章）。
? 時間序列技術：ARIMA、VAR與狀態空間模型（帶隱變量的），以及在實際交易中的應用（第3章）。
? 人工智能/機器學習技術：特別是抑制過擬合的方法（第4章）。
? 期權與波動交易策略，包括涉及期權投資組合的策略（第5章）。
? 日內和高頻交易：市場微觀結構、訂單類型與路由優化、暗池、逆向選擇、訂單流以及如何回測帶有滴答數據的日內策略（第6章）。
? 比特幣：將已掌握的一些技術用于這種新的資產類（第7章）。
? 如何掌握最新的知識（第8章）。
? 從一名自營交易員（a proprietary trader）轉變為一名投資顧問（an investment advisor）（第8章）。
我不知道這些話題是否能讓讀者感興趣，或為讀者帶來盈利，但是通過對它們的研究，我自己的金錢管理技能確實已經提升。另外，分享知識與想法是一件有趣的事情，并且最終對創造力和利潤有幫助。
讀者會發現，大部分材料對于那些在定量領域有一些經驗的人都是易讀的，無論是計算機科學、工程學還是物理學。并不要求讀者在交易與金融方面有太多的先驗知識（第5章除外，在那里我們需要假設具有一些基礎了解）。但是，如果讀者對交易一無所知，讀者會在《量化交易》（Chan，2009）與《算法交易》（Chan，2013）中找到許多更基本的介紹，則更容易理解。這本書應看作前兩本書的一個延續，它包含了之前未曾討論的話題，但它也可以單獨地閱讀。
盡管許多原型交易策略已作為例子包含其中，但建議讀者不要把它們當作收縮薄膜包裝好的產品（shrink-wrapped products）而直接部署到真實現場交易（live trading）中。與我前面兩本書中強調的一樣，沒有人應該拿別人現成的策略來交易，應經過全面且獨立的回測，排除會帶來偏差和數據錯誤的所有可能源頭，以及為提升表現而增加不同的變化。我所描述的策略大多數包含這種或者那種方式的隱含偏差，等待讀者去發掘并消除。
在所有交易的研究過程中，我總使用MATLAB。我發現它對用戶特別友好，提供不斷改進的或者新的特色功能，以及那些可供吸收利用的數量不斷增加的專用工具包。例如，如果沒有統計與機器學習（Machine Learning，ML）工具包，那么可能需要花費更長的時間來探索如何用AI/ML技術做交易（在參考文獻Murphy 2015中可以看到，為什么谷歌科學家及機器學習專家Kevin Murphy在AI/ML研究中更喜歡用MATLAB，而不是R）。在過去，讀者已經對MATLAB授權的高價問題有所抱怨。但是今天，對于“家庭”授權僅需150美元，每個附加的工具包也只需45美元。認真的交易者不應因為這筆小的成本而在生產力方面做出妥協讓步。我也能熟練使用R，它與MATLAB是近親的關系。但坦率地講，按照性能表現與用戶友好性，R無法與MATLAB相匹敵。這些語言的詳細對比可在第1章和第6章找到。如果讀者之前對MATLAB完全陌生，很容易從mathworks.com申請到一個月的試用授權，并使用許多免費在線教程來學習這門語言。相對于R或者其他開源語言，MATLAB的一大優點就是有出色的客戶支持：如果讀者有問題，只需發郵件或打電話給Mathworks的員工（經常會有博士頭銜的人來回答讀者的問題）。
在材料匯總的過程中，我從許多人那里獲得了秘訣、想法和幫助，受益匪淺。一份不完整列表包括如下。
? Stephen Aikin，一位著名作家兼教育家，幫助我看懂了期貨市場中由日歷價差引起的隱含報價（第6章）。
? Lime Brokerage公司的David Don與Joseph Signorelli，糾正了我對市場微觀結構的一些誤解（第6章）。
? 對比特幣具有無限知識的Jonathan Shore，幫助我編譯了那個市場中的一些訂單流并與我分享（第7章）。
? 我們QTS資本管理公司的CTO，Roger Hunter博士，檢查了我的手稿，并且從不遺漏我代碼中的bug。
? 非常感激Interactive Brokers公司的團隊（特別是Joanne、Ragini、Mike、Greg、Ian以及Ralph），關于我對交易有關的所有疑問，他們都無比耐心地給予解答。
我要感謝西北大學（Northwestern University）的教授Thomas Miller，他請我在預測分析方向的科學碩士培養計劃中講授風險分析課程。同樣地，我還要感謝環球市場訓練公司（Global Markets Training，是英國公司Global Markets Media Ltd的一部分）的Matthew Clements與Jim Biss，多年來他們為我組織了倫敦研討會。這本書有不少有價值的知識點，來自于這些課程與研討會的材料或討論。
對我而言，交易與研究已經變得更有趣和更令人愉快，因為我能夠與我所在的QTS小組近距離地工作，他們對研究、策略的想法和常規知識均有貢獻，有一些內容就包含在這本書中。在他們當中，當然要提到Roger，沒有他就沒有QTS，另外還有Yang、Marcin、Sam、排在最后但同樣重要的Ray。
當然，如果沒有Wiley的支持，我的這些書都不可能問世，特別是我長期合作的編輯Bill Falloon、開發編輯Julie Kerr、出版編輯Caroline Maria以及文字編輯Cheryl Ferguson（對于for循環漏掉的end，無一能逃過她的眼睛）。與他們一起工作真是一件令人高興的事，他們的熱情和專業尤其讓我感激。
|
內容簡介：本書詳細闡述了與機器交易相關的基本解決方案，主要包括算法交易基礎、因子模型、時間序列分析、人工智能技術、期權策略、日內交易與市場微觀結構、比特幣、算法交易有益身心健康等內容。此外，本書還提供了相應的示例、代碼，以幫助讀者進一步理解相關方案的實現過程。
本書適合作為高等院校計算機及相關專業的教材和教學參考書，也可作為相關開發人員的自學教材和參考手冊。 |
目錄：第1章算法交易基礎1
1.1歷史市場數據（HistoricalMarketData）2
1.2現場市場數據（LiveMarketData）4
1.3回測與交易平臺（BacktestingandTradingPlatforms）5
1.4經紀商（Brokers）8
1.5表現度量（PerformanceMetrics）10
1.6投資組合優化（PortfolioOptimization）11
專欄1.1：凈收益與對數收益的均值13
專欄1.2：采用二次規劃來計算效率限界14
專欄1.3：使一個投資組合的夏普比率最大化17
1.7小結19
1.8練習19
1.9尾注20
第2章因子模型23
2.1時間序列因子（Time-seriesFactors）24
例2.1：使用Fama-French因子來預測第二天收益26
2.2橫截面因子（Cross-sectionalFactors）27
例2.2：擬合一個橫截面因子模型，預測下一季度的收益28
2.3雙因子模型31
例2.3：擬合ROE和BM因子模型，來預測下個月的收益33
2.4使用期權價格來預測股票收益34
2.4.1隱含矩（ImpliedMoments）34
例2.4：做多（或做空）有較高（或較低）隱含矩的股票36
2.4.2隱含波動率的每月變化量37
2.4.3看漲看跌隱含波動率38
2.4.4價外看跌期權減去平價看漲期權的隱含波動率38
2.4.5隱含市場波動性的每日變化量39
2.5空頭凈額（ShortInterest）39
2.6流動性（Liquidity）40
2.7統計因子（StatisticalFactors）41
例2.5：使用PCA找到有預測性的統計因子43
2.8把所有因子匯集到一起44
2.9小結46
2.10練習46
2.11尾注48
第3章時間序列分析49
3.1AR(p)49
3.2ARMA(p,q)52
3.3VAR(p)56
3.4狀態空間模型（StateSpaceModels，SSM）59
3.5小結67
3.6練習67
3.7尾注68
第4章人工智能技術69
4.1逐步回歸（StepwiseRegression）71
4.2回歸樹（RegressionTree）73
4.3交叉驗證（CrossValidation）76
4.4裝袋算法（Bagging）77
4.5隨機子空間和隨機森林（RandomSubspaceandRandomForest）79
4.6提升算法（Boosting）80
4.7分類樹（ClassificationTree）82
4.8支撐向量機（SupportVectorMachine）83
4.9隱馬爾科夫模型（HiddenMarkovModel）85
4.10神經網絡（NeuralNetwork）87
4.11數據集成與標準化（DataAggregationandNormalization）91
4.12在股票選擇中的應用（ApplicationtoStocksSelection）93
4.13小結96
4.14練習97
4.15尾注98
第5章期權策略99
5.1交易不含期權的波動率（TradingVolatilitywithoutOptions）100
例5.1：比較SPY和VX的杠桿復合收益101
5.2預測波動率（PredictingVolatility）105
例5.2：預測SPY的波動率106
5.3事件驅動策略（Event-DrivenStrategies）111
例5.3：做空原油期貨的期權跨式組合（ShortingCrudeOilFutures
OptionsStraddles）112
5.4Gamma牟利（GammaScalping）114
例5.4：通過跨式組合在原油期貨上做Gamma牟利116
5.5離差交易（DispersionTrading）118
例5.5：SPX成分跨式組合對指數跨式組合的離差交易120
5.6隱含波動率的橫截面均值回復（Cross-SectionalMeanReversionofImplied
Volatility）127
5.7小結129
5.8練習130
5.9尾注131
第6章日內交易與市場微觀結構133
6.1降低延遲（LatencyReduction）134
6.2訂單類型和路由優化136
6.2.1增加流動性（AddingLiquidity）136
專欄6.1：為什么BATS的BZX交易對流動性增加者收費？140
6.2.2使用流動性（TakingLiquidity）140
例6.1：ISO訂單如何在一個訂單簿上游走141
6.2.3路由到暗池（RoutingtoDarkPools）143
6.3減少逆向選擇（AdverseSelectionReduction）145
6.4日內策略回測（BacktestingIntradayStrategies）148
例6.2：使用ITCH消息來構造BBO149
專欄6.2：當心低頻數據（BewareofLowFrequencyData）152
專欄6.3：跨期報價數據（Calendarspreadquotesdata）153
6.5訂單流（OrderFlow）155
專欄6.4：使用總量分類（BVC）來確定訂單流156
例6.3：訂單流策略157
6.6訂單簿的不平衡性（OrderBookImbalance）163
6.7小結164
6.8練習164
6.9尾注166
第7章比特幣169
7.1比特幣真相（BitcoinFacts）169
7.2時間序列技巧170
7.3均值回復策略（MeanReversionStrategy）172
7.4人工智能技術（ArtificialIntelligenceTechniques）173
7.5訂單流（OrderFlow）174
例7.1：一個訂單流策略175
7.6跨交易所套利（Cross-ExchangeArbitrage）177
7.7小結178
7.8練習178
7.9尾注179
第8章算法交易有益身心健康181
8.1算法交易員的身心健康（MindandHealth）181
8.2交易作為一種服務（TradingasaService）183
8.3可行性184
8.4知曉最新動向（KeepingUpwiththeLatestTrends）186
8.5代人理財（ManagingOtherPeople’sMoney）186
8.6小結189
8.7尾注190
參考文獻191 |
| 序： |
