本书内容及体系结构
本书以完全没有量化交易经验的对象视角，从最基础的环境搭建开始进行讲解，并
直接带读者进入多因子、机器学习的时代。
本书后半部分更是紧贴国际前沿趋势，介绍了
NLP技术在量化交易领域的应用，以便读者参考。
本书更多地采用启发式的方法，让读者朋友能够跟着相关内容不停思考和尝试，而不
是简单地照搬现有策略。
第1章，先是简单介绍了小瓦的情况，以便让读者朋友们更有代入感；紧接着对人类
的交易历史做了简明的阐述，主要是为了让读者朋友们可以了解交易技术的发展脉络，对
量化交易的概念有基本的认知；
随后直接带读者进入环境配置的环节，并使用真实的股票
数据集进行实验，让喜欢实操的读者对量化交易有一个直观的感受，并产生兴趣。
第2章，通过对小瓦策略的回测，向读者朋友介绍了回测的基本概念和简单方法；随
后简单介绍了一些历史上比较经典的交易策略—移动平均策略和海龟策略，并通过简单
的回测让读者朋友对这两种策略的收益情况有一个大致的了解。
第3章，就开始让读者朋友们和小瓦一起接触机器学习的概念了。本章先是用通俗易
懂的例子讲解了有监督学习和无监督学习的概念；
然后对机器学习中的分类和回归进行了
阐述；
随后用真实的股票数据训练了一个简单的KNN模型，并基于KNN模型编写了简单
的交易策略，最后对这个策略进行了简单的回测。
第4章，为了能够让小瓦和读者朋友们更加专注于策略的编写和回测，我们挑选了一个
第三方量化交易平台，并基于该平台的研究环境，讲解了如何获取股票的概况数据、财务数
据、股东数据、主力资金流入/流出数据等。
从本章开始，本书附带的代码，需要在该平台上
运行。
第5章，开始介绍时下流行的因子。为了给读者朋友带来更多启发，我们让小瓦发动
自己的聪明才智设计了一个专属于自己的“瓦氏因子”，并借此向读者朋友展示了因子的
基本原理；
随后使用代码，通过第三方量化交易平台获取了股票的市值因子、现金
流因子、
净利率因子等；
最后别出心裁地使用了无监督学习的主成分分析（PCA）算法，把上述一
些因子进行了“打包”，并借此进行了选股的实验。
第6章，介绍了对因子进行分析的方法。这里我们建立了一个实验用的投资组合，并
以“成交量的5日指数移动平均”因子为例，介绍了如何对因子进行收益分析、因子的IC
分析，以及因子换手率、因子相关性和因子预测能力的分析，以便让读者朋友对因子的评
价方法有基本的了解，并可以掌握相关的方法。
第7章，开始将机器学习与多因子进行结合。介绍了机器学习中的线性模型算法，包
括最基础的线性回归算法和使用正则化的岭回归算法，并使用实验数据集对两种算法进行
了对比；
紧接着使用了多个因子与线性模型结合，编写了策略；
最后使用了第三方量化交
易平台的回测功能对策略进行了回测，在这个过程中，读者朋友也可以掌握回测涉及的相
关指标。
第8章，将机器学习算法与多因子的结合更进一步。本章不仅仅介绍了决策树与随机
森林算法，更是使用了决策树的判断特征重要性的功能对若干个因子的重要性进行了计算；
随后，我们使用了决策树“认为”比较重要的因子，结合随机森林算法编写了交易策略；
同样地，也再次对策略进行了回测。
第9章，将近年来普遍在量化交易中表现比较好的支持向量机（SVM）带到读者面前。
本章从基本的原理开始介绍，之后提出了动态因子选择策略—每次运行程序都使用决策树
算法选择重要性最高的因子，再用其来训练支持向量机模型，并形成策略和进行回测。
可以
说，到这一章，读者朋友们可以对传统机器学习算法在量化交易领域的应用有了初步的掌握。
第10章，会让小瓦和读者朋友一起，进入一个更新的世界—开始探讨更加前沿的尝
试：
将自然语言处理技术应用于量化交易当中。
本章先介绍了国际上一些知名机构在自然
语言处理和量化交易方向的一些成果，随后使用真实的新闻文本数据，介绍了中文
的分词
方法及应用，为后面的章节打下基础。
第11章在第10章的基础上，让小瓦和读者朋友一起学习文本向量化方法，并使用潜
狄利克雷分布（LDA）进行话题建模技术的学习。
通过本章的学习，小瓦将能够掌握如何
使用机器学习算法，从大量文本中快速获取话题。
第12章，开始让小瓦和读者朋友一起，进行文本数据情感分析的实验。在本章中，我
们还会继续使用到文本向量化方法；
之后使用了在文本分类中非常常用的朴素贝叶斯算法。
第13章，我们让小瓦开始接触神经网络算法。作为近几年大热的人工智能算法，神经
网络不论是在图像识别方面还是在文本分类方面，都有广泛的应用。
本章主要向小瓦和读
者朋友介绍对用户非常友好的深度学习框架—Keras，并介绍如何使用Keras内置的工
具
对文本数据进行处理；
随后使用Keras搭建了多层感知机（全连接层）神经网络，对文本
的情绪进行分类实验。
第14章，在小瓦已经掌握多层感知机的基础上，我们进一步介绍了卷积神经网络和长
短期记忆网络的原理，并基于文本分类任务，分别训练了卷积神经网络和长短期记忆网络。
经过本章的学习之后，小瓦和读者朋友可以掌握卷积神经网络和长短期记忆网络的原理和
基本的训练方法。
第15章，提出了一些问题，并对小瓦未来学习和研究的方向给出了一些建议，也给读
者朋友提供了一些参考。
