GPT賺被動收入：AI時代的量化交易攻略

第1 章 量化交易基礎入門
1.1 量化交易的基本定義
1.2 量化交易的研究對象
1.3 量化交易的發展歷程
1.3.1 量化交易的萌芽
1.3.2 量化交易的發展歷程
1.4 量化交易策略的主要分類
1.4.1 基本面量化交易策略
1.4.2 資產配置量化交易策略
1.4.3 阿爾法量化交易策略
1.4.4 貝塔量化交易策略
1.4.5 另類量化交易策略
1.5 量化交易的未來發展
1.5.1 量化交易的智慧化
1.5.2 量化交易的全球化
1.5.3 量化交易的機構化

第2 章 量化交易的策略及實戰案例
2.1 基本面量化交易策略
2.1.1 基本面量化交易策略的底層邏輯
2.1.2 基本面量化交易策略的代表人物及其投資邏輯
2.1.3 實戰案例：巴菲特的量化交易策略
2.1.4 基本面投資與基本面量化交易的區別
2.2 資產配置量化交易策略
2.2.1 資產配置量化交易策略的底層邏輯
2.2.2 資產配置量化交易策略的代表人物及其投資邏輯
2.2.3 實戰案例：橋水公司的全天候量化交易策略
2.2.4 實戰案例：個人養老金量化交易策略
2.3 貝塔量化交易策略
2.3.1 貝塔量化交易策略的底層邏輯
2.3.2 貝塔量化交易策略的代表人物及其投資邏輯
2.3.3 實戰案例：RSRS 擇時量化交易策略
2.3.4 實戰案例：打板量化交易策略
2.4 阿爾法量化交易策略
2.4.1 阿爾法量化交易策略的底層邏輯
2.4.2 阿爾法量化交易策略的代表人物及其投資邏輯
2.4.3 實戰案例：彼得‧ 林區多因數量化交易策略
2.5 另類量化交易策略
2.5.1 另類量化交易策略的底層邏輯
2.5.2 另類量化交易策略的代表人物及其投資邏輯
2.5.3 實戰案例：高頻交易策略
2.5.4 實戰案例：事件驅動量化交易策略

第3 章 量化交易策略的邏輯與設計
3.1 因數建模
3.1.1 如何理解量化交易策略中的因數
3.1.2 阿爾法101 因數建模範例解讀
3.2 邏輯與設計
3.2.1 什麼是思維導圖
3.2.2 思維導圖建構邏輯與設計的要點
3.2.3 止盈止損的常用方法
3.3 凱利公式與倉位計算
3.3.1 什麼是凱利公式
3.3.2 凱利公式所引發的思考
3.3.3 凱利公式的倉位計算
3.4 量化交易策略的有效性評估
3.4.1 未來函數
3.4.2 過度擬合
3.4.3 夏普比率
3.5 實戰案例：米倫坎普量化交易策略的邏輯與設計
3.5.1 米倫坎普簡介
3.5.2 米倫坎普的投資邏輯
3.5.3 米倫坎普量化交易策略在中國市場的適應情況
3.5.4 米倫坎普量化交易策略的改進想法
3.5.5 米倫坎普量化交易策略的實戰程式範例

第4 章 量化交易策略的程式開發與實戰
4.1 低程式開發
4.1.1 低程式開發量化交易策略指南
4.1.2 實戰案例：國信金太陽建構的模擬動量策略
4.1.3 實戰案例：在果仁網建構葛拉漢熊轉牛積極策略
4.2 有程式開發
4.2.1 有程式開發量化交易策略指南
4.2.2 實戰股票案例：彼得‧ 林區多因數量化交易策略進階
4.2.3 實戰期貨案例：經典的CTA 策略
4.2.4 實戰基金案例：FoF 策略
4.3 機器學習
4.3.1 監督學習在量化交易中的應用
4.3.2 無監督學習在量化交易中的應用
4.3.3 深度學習在量化交易中的應用

第5 章 量化交易中的重要問題
5.1 量化交易與哲學問題
5.1.1 哲學與量化交易
5.1.2 哲學三問對量化交易的啟示
5.1.3 量化交易中的哲學範例：「簡單」或「複雜」
5.2 演算法交易簡介
5.2.1 什麼是演算法交易
5.2.2 演算法交易的迭代
5.2.3 演算法交易的常用因數簡介
5.2.4 演算法交易實戰範例
5.3 低風險策略的研究方向
5.3.1 什麼是低風險策略
5.3.2 常用的低風險策略
5.3.3 低風險策略的利與弊
5.4 量化實戰策略最佳化的注意事項
5.4.1 避免過度擬合的方法
5.4.2 特別關注對出場條件的最佳化
5.4.3 關於最佳化的幾點說明
5.5 GPT 在量化交易中的應用
5.5.1 ChatGPT 的誕生是一次世界級的技術革命
5.5.2 從4 個維度理解GPT 系列大模型
5.5.3 GPT 可以幫助投資者更快速地入門量化交易
5.5.4 GPT 在量化交易中的具體應用範例
5.5.5 GPT 在資產配置量化交易策略的具體應用範例

後記 感謝「量化漫步」團隊的付出與貢獻

附錄A 進入量化行業的面試指南
附錄B 量化交易常用參考書與網站指南
B.1 Python 環境架設
B.2 Python 入門
B.3 量化交易策略研發
附錄C 量化交易常用的資料介面

 

前言

萬物皆可量化

　　德國哲學家恩格斯說：「任何一門科學的真正完善在於數學工具的廣泛應用。」換句話說，任何一門學科，只有能用數學來描述，才是科學的。故而，有了「萬物皆可量化」的底層認知。基於此，30 年來，我一直堅信「數學」是撥開投資迷霧的必由之路。

　　當我們把投資當作「數學」來研究的時候，投資就不再是一門無法預測的藝術。市場變化的背後應當有其數學邏輯，這也是我一直強調的「在投資中，底層思維邏輯最重要，而具體的工具不重要」的原因。沒想到，技術進步很快讓這句話變成了現實。

　　在寫書的過程中，ChatGPT 從天而降，這讓廣大投資者可以更加方便地使用各類程式設計工具。當工具的使用門檻迅速降低時，掌握量化交易的底層邏輯就成了重中之重。而在當下的圖書市場中，講量化交易程式設計工具的書很多，但講量化交易模型底層邏輯的書很少。

　　無巧不成書，2022 年，我在網際網路上做了10 節量化交易直播課，主要針對的是全國想轉型量化交易的程式設計師，因此課程的重點就放在了量化交易的底層邏輯而非程式設計實現上。沒想到，這個課程很受大家歡迎，再加上出版社約稿，於是就有了這本書，而本書的重點就是量化交易的底層邏輯。

　　尤其讓我感動的是，課程的很多學員主動參與了本書的寫作和修訂。他們有的是金融行業的領軍人物，有的是大廠的資深程式設計師，還有的是縱橫市場多年的實戰者。在大家的幫助下，本書的內容獲得了極大的豐富和深化，出乎我的意料。

　　在量化交易的世界裡，每位投資者選擇的交易策略是差別很大的，具體可以概括成5 種交易策略：基本面量化、資產配置量化、阿爾法量化、貝塔量化和另類量化。在每種交易策略上，我們都可以看到世界級投資大師們留下的足跡。本書沒有偏向任何一種量化交易策略，而是將選擇權交給讀者，我相信總有一種量化交易策略會與你的人生觀和認知觀相匹配。

　　在寫書的過程中，中國市場迎來了巨大的變化，全面註冊制讓股票市場的慢牛開始醞釀成熟，個人養老金的推出也讓更多機構開始尋找量化交易模型進行長期投資。再過10 年，我相信在「萬物皆可量化」的路上，會有更多的投資者與我們同行。