AI量化投资

本书旨在探索AI 技术与投资策略的跨界融合。

全书分为上下两篇，共10 章。

上篇由量化思想、量化实践、量化方法、量化策略、风险控制绕不开凯利公式、交易信息系统外接共6章组成；

下篇由遗传算法在黄金投资中的应用、大规模神经网络及股票非量价复合策略、小波分析及金融工程多维度应用和前沿研究与探索共4章组成。

上篇主要阐述当前已有的量化知识并用独特鲜明的风格呈现出来，侧重计算机动态仿真技术；

下篇聚焦探索未知的领域。全书注重金融实证、工程数学、计算机编程三者之间的跨界融合。

本书可作为量化基金从业人员和证券分析师的参考用书，也可作为金融专业、人工智能专业的高年级本科生、硕士和博士研究生的参考书( 含毕业论文参考用书)，还可以作为具备理工科背景且未来有志于从事AI 量化投资人士的自学书籍。

李必文，在金融持牌机构从业 7 年以上，位居管理层；随后投身高科技实体产业， 2021 年期间在芯片半导体大厂战略管理部任职；先后从事纺织服装、互联网、基金、芯片四个行业，拥有跨学科、跨行业的丰富经验和成功案例；大学毕业至今，已出版计算机编程、机器学习等相关著作 5 部。

这是一本主要讲 AI 量化投资的书， 与常规量化投资书籍有本质不同。

怀着满满的诚意， AI 技术与金融投资相互契合是本书希望表现的特色。 比如第8 章浓墨重彩地描述了作者在 AI 技术理论上的突破， 技术深度和难度极大， 且多数是独创技术理论； 第 9 章主要介绍小波在金融领域的应用， 尚属探索阶段， 这章所列举的三个金融案例， 具有启发性和探索性的双重价值。 本书有以下几个特点。

(1) 阅读体验。 按照数学建模的思路和步骤， 本书对每个符号的讲解、 每个公式的推导尽量深入浅出， 推导方法力求别具一格。 作者还做了一张表格， 对每一章内容的技术难度做了难度系数的评级， 用★表示，★数量越多表示对应内容的技术难度越大。 所以， 读者朋友们可以按照本书的章节顺序依次阅读， 还可以根据每一章的难度系数跳跃式阅读， 按由浅及深的方式阅读本书， 也是没有太大问题的。 作者在创作本书的过程中， 已经考虑到读者的阅读体验。

(2) 体系化。 量化思想、 量化实践、 量化方法、 量化策略、 风险控制、 信息交易系统接入共同构成了量化体系， 再由量化投资体系过渡到 AI 量化投资体系， 循序渐进， 娓娓道来。

(3) 创造性。 用鲨鱼猎腥的方法类比人工神经网络的训练过程， 用小波分析的方法去识别资本证券炒作的市场特征， 而且不管炒作程度多高， 都能基于小波多尺度分辨的技术把市场炒作信号滗出来。 此外， 本书更有大量延伸数学模型的创造。

(4) 稳定性。 虽然资本市场是不断演变的， 具有很强的时效性， 但作者对 AI 算法研究了十几年， 发现算法底层理论进步空间极小； 有所不同的是， 新的应用场景和大算力平台层出不穷， 所以本书遴选的大部分实证案例， 尽可能规避时效性的限制， 刻意摒弃了时效性强的案例， 侧重底层逻辑的阐述， 致力于在“AI 量化投资”领域对不变量的挖掘， 而不是追求对新技术、 新概念、 新场景的探索。

(5) 原创深度。 除了极其少数的内容参考了少量文献， 本书绝大多数内容皆是原创， 让读者少了一份似曾相识或雷同的感受， 比如第 10 章里面的“LZ 证券能量守恒定理”， 市面上其他著作鲜有与之相似或相同的内容， 作者原创性地给出该定理的金融公式， 并用实证案例进行了检验。 本书几乎没有基础性的量化、 AI 知识，作者努力追求全书内容都是硬核干货。 此外， 作者在写作本书的过程中， 在保证描述精准的前提下， 努力摒弃那些刻板、 索然无味的文字， 字里行间透射出灵动鲜活的魅力， 让文字活泼而有张力。

(6) 可视化。 本书大量采用了计算机绘制的图形图像， 比如基于云滴智能技术观测主动管理型基金的风格漂移， 凯利公式风控模型的计算机模拟， 等等。

(7) 交叉融合。 作者推崇不同学科、 不同领域知识与实践的融会贯通， 即便是表面上看起来风马牛不相及的领域， 比如本书里面的“7.5.2 遗传算法与弗洛伊德梦的解析法”“10.3 最速降线： 股票利空出尽的快速途径”， 等等。 严谨的物理学中有很多伟大的发现， 前期都是靠猜的， 那么， 证券投资领域为何就不能“天马行空”地举一反三呢？ 因为两者的内在机理确实是一致的。

AI 量化投资技术高深， 但不是说， 金融或者 AI 博士学位是投资盈利的必要条件。 事实上， 投资圈存在大量高学历但是投资业绩很一般的基金经理或无指引价值的研究员。 古人云： 三人行必有我师； 又云： 世事洞明皆学问， 人情练达即文章。

缺乏投资和 AI 知识的普通投资者， 或许亦能敏锐地捕捉到更加有效的“情绪因子”。知识储备程度、 时效性程度、 灵活应用程度三者基于乘法原则， 共同决定了投资回报率， 所以纵观本书的叙述结构， 是相当开放的， 体现了与各位读者探讨的诚意—没有绝对的专业， 亦没有绝对的权威。

限于篇幅， 本书内容不一定面面俱到； 限于作者水平， 虽竭尽全力， 但是 AI量化投资需要的知识实在是太浩瀚了， 书中难免存在错误和纰漏， 敬请读者朋友们不吝指正、 勘误。 反馈邮箱： [email protected]。

作者

2022 年 7 月于上海

上篇 量化体系

第 1 章?? 量化思想??

1.1 超额 α 实证案例

1.1.1 定量构建三级基金池

1.1.2 通过“AOA”分析法进行大类资产配置

1.1.3 检验正交 ( 独立 ) 的多条投资回报流

1.1.4 组建风险收益模型

1.1.5 模型延伸：通过 JDBC 驱动连接 MySQL 接口

1.2 万物皆是算法

1.2.1 生物学的算法属性

1.2.2 机器学习算法与数学机械化概述

1.3 什么是量化投资

1.3.1 量化战胜市场

1.3.2 主观投资与量化投资

1.3.3 全球证券投资的上升策略

1.3.4 经典多因子量化三要素

1.3.5 多因子投资拓扑结构

1.3.6 算力与 tick 颗粒度

1.3.7 算法暴力会人为造成服务器“燃料”短缺

1.3.8 量化策略能盈利的底层逻辑

1.4 什么是 AI 量化投资

1.4.1 AI 量化投资与量化投资的本质区别

1.4.2 收益与高流动性显著相关

1.5 AI 用于投资策略的三项前提条件

第 2 章?? 量化实践??

2.1 定量设计现金管理方案

2.2 基金科学定投

2.2.1 蒙特卡罗模拟的原理

2.2.2 误差分析

2.2.3 定投钝化

2.3 时间分辨率为何深度影响投资收益率

2.3.1 时间分辨率

2.3.2 投资时间颗粒度与复利理论最大值

第 3 章?? 量化方法??

3.1 线性相关度

3.1.1 计算方法

3.1.2 用于宏观经济因子

3.1.3 构建不相关投资回报流

3.1.4 线性相关度延伸： Spearman 相关度

3.2 灰色相关矩阵

3.2.1 股票走势的灰色性

3.2.2 灰色关联度计算方法

3.2.3 用于宏观经济因子

3.3 多因子投资

3.3.1 因子暴露、因子溢价、因子模型、资产向量图

3.3.2 构建多因子投资向量通式

3.3.3 单因子溢价

3.3.4 双因子溢价

3.3.5 因子检验

3.3.6 多因子分析的主观性

3.4 云模型，不确定性的 AI

3.4.1 “云滴”的随机性与模糊性

3.4.2 云滴模拟基金的风格漂移

3.5 贝叶斯判别法，先验概率的 AI

3.5.1 后验概率

3.5.2 判别股票的动量反转

3.6 K-means 聚类法

3.6.1 数学原理

3.6.2 中证 1000 成分股量价因子聚类

3.6.3 A 股全指个股量价因子聚类

3.7 行为金融交易法

3.7.1 前景理论

3.7.2 面向未来

3.7.3 信息交易者与噪声交易者

第 4 章?? 量化策略??

4.1 量化投资流程与策略分类

4.1.1 策略实现流程

4.1.2 量化策略分类

4.2 指数增强策略

4.3 对冲中性策略

4.3.1 策略原理

4.3.2 期货升贴水

4.3.3 ETF 对冲概述

4.4 网格交易策略

4.4.1 网格交易原理

4.4.2 沪深 300 实证案例

4.4.3 策略缺点与优化

4.5 风险平价策略

4.5.1 原始模型

4.5.2 常规模型

4.5.3 模型求解

4.5.4 增强模型

4.5.5 杠杆模型

4.6 CTA 策略

4.7 量化策略的趋势

第 5 章?? 风险控制绕不开凯利公式??

5.1 普适的凯利公式

5.2 胜率和赔率决定冒险投资的仓位

5.3 公式推导

5.4 计算机动态模拟

5.5 凯利投资准则

第 6 章?? 交易信息系统外接??

6.1 接入门槛

6.2 系统外接 IT 架构

下篇 AI 方法及投资策略

第 7 章?? 遗传算法在黄金投资中的应用??

7.1 AI 算法思想

7.1.1 边缘活跃效应

7.1.2 AI 算法时代

7.1.3 量化投资在我国的发展阶段

7.2 遗传算法概述

7.2.1 重度参与飞机发动机设计

7.2.2 生物学基础

7.3 遗传算法关键数学原理

7.3.1 编解码

7.3.2 复制运算

7.4 遗传算法寻优举例

7.4.1 编码

7.4.2 评价个体适应度

7.4.3 新种群复制

7.4.4 交配点发生交配

7.4.5 基因突变

7.5 遗传算法拓展

7.5.1 协力进化

7.5.2 遗传算法与弗洛伊德梦的解析法

7.6 计算机程序设计框架

7.6.1 伪代码设计

7.6.2 参数设计准则

7.6.3 适应度函数调优

7.7 黄金现货对冲套利

7.7.1 黄金投资重要属性

7.7.2 定价要素

7.7.3 组建模型

7.7.4 求解非线性多约束双目标函数

7.7.5 套利策略设计思路

第 8 章?? 大规模神经网络及股票非量价复合策略??

8.1 人工神经网络概述

8.1.1 网络结构

8.1.2 激励函数

8.2 经典神经网络模型

8.2.1 因式分解网络的学习步骤

8.2.2 基于视网膜感受视野设计 RBF 神经网络

8.3 设计 BP 神经网络

8.3.1 鲨鱼嗅闻血腥味原理

8.3.2 网络学习案例化解析

8.3.3 网络训练多尺度分析

8.4 设计 RBF 神经网络

8.4.1 梯度训练法

8.4.2 性能要素

8.5 评价神经网络的泛化能力

8.6 神经网络核心技术与策略

8.6.1 震荡的成因

8.6.2 演绎推理法与绝妙的排列组合算法

8.7 设计大规模径向基小波神经网络的深度理论

8.7.1 五层网络拓扑结构

8.7.2 符号约定

8.7.3 组建神经网络数学模型

8.7.4 调整伸缩因子a

8.7.5 调整尺度因子b

8.7.6 调整连接权值w

8.7.7 a、 b、 w动态调整量

8.7.8 添加网络动量

8.7.9 非常规定律

8.8 中证 1000 成分股非量价复合策略

8.8.1 股价预测的合理性与不合理性

8.8.2 多策略原理阐述

8.8.3 因子群挖掘

8.8.4 股票数据 ETL

8.8.5 股票数据归一化和添加白噪声

8.8.6 启动训练

8.8.7 股价预测准确率

8.8.8 交易指令设计

8.8.9 为什么有些机器学习量化策略没有成功

8.8.10 神经网络在股票优选策略中的独特优势

第 9 章?? 小波分析及金融工程多维度应用??

9.1 小波分析框架理论

9.1.1 数学变换的含义

9.1.2 傅里叶变换的局限性在哪里

9.1.3 傅里叶变换和小波变换图谱对比

9.1.4 小波的定义及特征

9.2 小波伸缩平移和变换

9.2.1 母小波伸缩平移

9.2.2 连续小波变换

9.3 小波分解与重构

9.3.1 平均和细节

9.3.2 多尺度分析

9.4 市场熵投资策略

9.4.1 海森堡测不准定律

9.4.2 小波窗函数影响市场动量因子

9.4.3 统一论的量化投资体系

9.5 抽取震荡中的道琼斯工业指数行情趋势

9.6 识别可转债的资本市场炒作行为

9.6.1 进可攻，退可守的可转债

9.6.2 数据洗涤

9.6.3 基于 db6 小波基对炒作信号进行变换

9.6.4 通过噪声分贝识别可转债市场炒作行为

9.6.5 模型延伸：提升时间分辨率

第 10 章?? 前沿研究与探索??

10.1 斐波那契投资模型

10.1.1 通项式

10.1.2 简单是股票策略有效的必要条件

10.2 股票能量守恒定律

10.2.1 物理方程式

10.2.2 实证案例

10.3 最速降线：股票利空出尽的快速途径

10.3.1 参数方程组

10.3.2 延伸理解

10.3.3 利空出尽最速衰减规律

后记??