本書是一部全面而深入的量化金融實戰指南，從基礎的Python編程和量化金融概念出發，逐步引領讀者進入金融數據分析、量化策略開發、算法交易及風險管理的高級話題。本書還探討了生成式AI和ChatGPT在量化金融領域中的應用，為讀者提供了一個全面的視角和實用的工具。
本書共分為5章：第1章作為基礎，介紹了量化金融、算法交易和Python編程的基礎知識；第2章專注于金融數據的獲取和處理，包括如何使用APIs和Python庫；第3章深入講解了量化策略與模型，涵蓋了從統計學到機器學習再到深度學習和Transformer模型及ChatGPT插件使用的多個方面；第4章是對算法交易與風險管理的全面解析，包括市場微觀結構、交易策略和ChatGPT的Code Interpreter功能；第5章對量化金融和算法交易的未來進行了展望，包括人工智能在金融領域中的機遇和挑戰。
本書內容深入淺出，實例豐富，實用性極強，特別適合量化金融的初學者和專業人士，也適用于金融分析師、數據科學家和編程愛好者。此外，本書也可作為金融科技和量化金融相關培訓課程的教材。
龔暉
----------------------------
龔暉，博士，倫敦大學學院（UCL）金融與科技研究所去中心化金融和區塊鏈講師，威斯敏斯特大學商學院（Westminster Business School）金融科技客座講師，主講的課程涉及區塊鏈與加密貨幣、金融衍生品定價和高頻交易等領域。2019年，在UCL數學系獲得金融數學博士學位。主要研究領域為金融科技，包括算法交易、區塊鏈技術、加密貨幣和人工智能在金融領域中的應用等。2014年，被UCL推薦至瑞士信貸（Credit Suisse），開發了第一代智能推薦系統，用于客戶分類、精準營銷和新聞、投資產品的推薦等。2015年，加入瑞士信貸DAST（Data Analysis Sentiment Technology）部門，負責Delta One產品和HOLT系統的人工智能優化，其通過人工智能優化的指數產品，被多家買方作為基準產品。也曾在UCL區塊鏈技術研究中心從事區塊鏈應用研究，并發表多篇論文，對于量化金融領域見解獨到。
第1章 基礎知識與量化金融概述001
1.1 引言：量化金融與算法交易簡介001
1.1.1 量化金融及其發展歷史002
1.1.2 當代量化金融004
1.1.3 算法交易概述005
1.1.4 高頻交易概述007
1.1.5 算法交易與高頻交易的區別008
1.2 Python編程基礎008
1.2.1 Python的優點009
1.2.2 Python在量化金融和算法交易中的應用初覽009
1.2.3 Anaconda的安裝010
1.2.4 Python代碼示例012
1.3 ChatGPT簡介及原理013
1.3.1 ChatGPT簡介013
1.3.2 ChatGPT原理014
1.4 生成式AI在量化金融領域中的應用015
第2章 金融數據處理與分析017
2.1 數據來源：金融數據APIs及其供應商017
2.1.1 數據來源的復雜程度018
2.1.2 為什么要鏈接API018
2.1.3 數據供應商的對比019
2.2 使用ChatGPT鏈接金融APIs021
2.2.1 報錯分析023
2.2.2 使用第三方庫：yfinance026
2.2.3 使用第三方庫：yahoofinancials027
2.2.4 其他第三方庫029
2.3 數據處理：使用Python分析金融數據029
2.3.1 重新采樣033
2.3.2 滾動統計034
2.4 數據可視化：使用Matplotlib等工具038
2.5 實例：財務報表指標獲取及分析042
2.5.1 獲取特斯拉的年度財務數據044
2.5.2 計算所需的財務指標047
2.5.3 該財務指標（凈利潤率）可視化047
2.5.4 該財務指標（凈利潤率）的趨勢分析048
第3章 量化策略與模型053
3.1 統計學與金融：常見統計模型與方法053
3.1.1 描述性統計054
3.1.2 概率分布058
3.1.3 假設檢驗062
3.1.4 時間序列分析065
3.2 技術分析：指標與策略068
3.2.1 圖表模式068
3.2.2 趨勢線073
3.2.3 技術指標075
3.2.4 交易策略與回測083
3.3 基本面分析：選股策略與價值投資086
3.4 賣方策略：衍生品定價與風險管理092
3.4.1 衍生品概述093
3.4.2 衍生品定價095
3.4.3 Black-Scholes模型096
3.4.4 Put-Call Parity的基本期權理論099
3.4.5 風險管理——Greeks100
3.5 機器學習與金融：回歸模型、分類器等106
3.5.1 機器學習概述106
3.5.2 回歸模型107
3.5.3 分類器113
3.5.4 機器學習在金融領域中的挑戰117
3.6 深度學習與金融：神經網絡、LSTM、CNN等118
3.6.1 神經網絡118
3.6.2 長短期記憶網絡124
3.6.3 卷積神經網絡128
3.6.4 深度學習在金融領域中的挑戰132
3.7 自然語言處理：利用Transformer結構分析市場情緒134
3.8 實例操作：使用ChatGPT的金融相關插件144
3.8.1 ChatGPT插件及安裝144
3.8.2 PortfolioPilot插件147
第4章 算法交易與風險管理151
4.1 市場微觀結構理解與應用152
4.1.1 訂單簿的基本結構與功能152
4.1.2 訂單類型與執行機制154
4.1.3 市場碎片化問題的理解與應對160
4.1.4 交易延遲與市場深度的影響161
4.1.5 臨時與永久的滑點162
4.1.6 訂單失衡163
4.2 交易策略開發：交易信號、執行和管理166
4.2.1 基于連續時間馬爾科夫鏈的交易策略166
4.2.2 市價訂單的建模與應用170
4.2.3 交易信號的生成與驗證174
4.2.4 交易管理：訂單追蹤與調整174
4.3 訂單執行：買方策略、賣方策略與做市策略175
4.3.1 買方策略的設計與實施（只有臨時滑點）176
4.3.2 賣方策略的設計與實施（臨時與永久滑點）179
4.3.3 做市策略的設計與實施183
4.4 風險管理：風險度量、預測與控制186
4.4.1 風險度量186
4.4.2 風險預測189
4.4.3 風險控制191
4.5 資金管理：投資組合優化與資產配置192
4.5.1 投資組合優化的理論與方法192
4.5.2 基于Transformer模型的資產配置的策略與實施196
4.5.3 使用GPT-4的代碼解釋器來解釋做市策略203
第5章 未來展望與挑戰209
5.1 探索多元化的大語言模型平臺209
5.1.1 科大訊飛——訊飛星火認知大模型210
5.1.2 百度——文心一言大模型 214
5.1.3 智譜AI——智譜清言ChatGLM大模型220
5.1.4 百川智能——百川大模型225
5.2 量化金融與算法交易的發展趨勢230
5.2.1 量化金融與算法交易的新趨勢230
5.2.2 智能化金融服務的崛起232
5.3 機遇與挑戰：人工智能在金融領域中的雙刃劍效應233
5.3.1 技術驅動下的金融機遇233
5.3.2 在監管環境中應對挑戰233
5.4 前瞻：人工智能與金融領域的未來合作235
5.4.1 潛在的增長領域和創新點236
5.4.2 面向未來的策略和合作路徑237
新書資訊