全书共18章，前11章主要讲解基础知识。第1章介绍了什么是量化投资，以及为什么要用Python。第2章介绍了如何搭建基础环境，介绍了常用的一些工具。第3章讲解python的基本应用和常用的库。第4章介绍python数据分析中常用的Numpy, Scipy, Pandas。第5章介绍数据分析的基础方法。第6章介绍数据的可视化，使用matplotlib库。第7章介绍基础的金融分析方法。第8章介绍技术分析和时序序列分析，从业界和学术界两种角度来进行分析。第9章介绍了投资组合理论和由此衍生出来的多因子模型。第10章介绍了金融市场中衍生品的分析，以期货和期权为主。第11章从利率开始，介绍了债券的分析方法。
从第12章开始进入实战篇。第12章讲解中国金融市场，主要针对二级市场，并介绍了针对不同市场的基本投资策略。第13章介绍了，研究策略时，所需的数据来源，开源数据和商业数据库都有介绍。并且介绍目前比较流行的python的开源数据源。第14章介绍了如何建立数据库，并且讲解针对不同数据，如何设计数据库。第15章介绍了策略研究基本概念，方法论和流程。第16章介绍了进行自动化交易的接口，并且介绍了目前比较流行的开源项目vn.py。第17章介绍了如何使用python爬取网络上数据，并进行舆情分析。第18章介绍了人工智能的基本概念和算法，并且介绍了人工智能在量化投资中的应用。
推荐序一
推荐序二
推荐序三
前言
第1章 量化投资与Python简介 1
1.1 量化投资基本概念 1
1.2 量化投资的特征 2
1.3 量化投资的优势 3
1.4 量化、AI并不是一切 4
1.5 编程语言比较 5
1.5.1 Matlab 5
1.5.2 R 6
1.5.3 C++ 6
1.5.4 Python 6
1.5.5 其他语言 7
1.6 为什么要使用Python 7
1.7 Python构建量化投资生产线 10
第2章 平台搭建和工具 11
2.1 需要考虑的问题 11
2.2 编程环境搭建流程 12
2.2.1 其他库的安装 12
2.2.2 四种集成开发环境（IDE）介绍 13
第3章 Python金融分析常用库介绍 17
3.1 NumPy 17
3.1.1 创建多维数组 18
3.1.2 选取数组元素 19
3.2 SciPy 20
3.3 Pandas 21
3.3.1 DataFrame入门 21
3.3.2 Series 35
3.4 StatsModels 36
第4章 可视化分析 39
4.1 Matplotlib 39
4.1.1 散点图 39
4.1.2 直方图 40
4.1.3 函数图 40
4.1.4 Matplotlib和seaborn的中文乱码问题 42
4.2 seaborn 43
4.3 python-highcharts 47
第5章 统计基础 53
5.1 基本统计概念 53
5.1.1 随机数和分布 53
5.1.2 随机数种子 58
5.1.3 相关系数 58
5.1.4 基本统计量 59
5.1.5 频率分布直方图 60
5.2 连续随机变量分布 63
5.2.1 分布的基本特征 63
5.2.2 衍生特征 66
5.3 回归分析 68
5.3.1 最小二乘法 68
5.3.2 假设检验 71
第6章 数据预处理和初步探索 74
6.1 数据清理 74
6.1.1 可能的问题 75
6.1.2 缺失值 75
6.1.3 噪声或者离群点 76
6.1.4 数据不一致 77
6.2 描述性统计 77
6.2.1 中心趋势度量 77
6.2.2 数据散布度量 78
6.3 描述性统计的可视化分析 79
6.3.1 直方图 79
6.3.2 散点图 82
6.3.3 盒图 83
第7章 Pandas进阶与实战 86
7.1 多重索引 86
7.2 数据周期变换 90
第8章 金融基础概念 92
8.1 收益率 92
8.2 对数收益率 93
8.3 年化收益 93
8.4 波动率 93
8.5 夏普比率 94
8.6 索提诺比率 96
8.7 阿尔法和贝塔 96
8.8 最大回撤 97
第9章 资产定价入门 98
9.1 利率 98
9.2 利率的计量 99
9.3 零息利率 100
9.4 债券定价 101
9.4.1 债券收益率 101
9.4.2 平价收益率 102
9.4.3 国债零息利率确定 102
9.4.4 远期利率 105
9.5 久期 106
9.6 期权 106
9.7 期权的描述 107
9.8 看涨期权和看跌期权 107
9.9 期权价格与股票价格的关系 108
9.10 影响期权价格的因素 108
第10章 金融时间序列分析 110
10.1 为什么用收益率而不是价格 110
10.2 金融时间序列定义 110
10.3 平稳性 112
10.4 白噪声序列 112
10.5 自相关系数 113
10.6 混成检验 114
10.7 AR（p）模型 115
10.7.1 AR（p）模型简介 115
10.7.2 AR(p)平稳性检验 115
10.7.3 AR(p)如何确定参数p 117
10.8 信息准则 119
10.8.1 拟合优度 120
10.8.2 预测 121
10.9 ARMA模型 122
10.9.1 MA模型 122
10.9.2 ARMA模型公式 124
10.9.3 ARMA模型阶次判定 124
10.9.4 建立ARMA模型 125
10.10 ARCH和GARCH模型 126
10.10.1 波动率的特征 127
10.10.2 波动率模型框架 127
10.10.3 ARCH模型 127
10.10.4 GARCH模型 132
第11章 数据源和数据库 135
11.1 数据来源 135
11.2 TuShare 135
11.2.1 TuShare安装 136
11.2.2 TuShare的Python SDK 136
11.3 pandas-reader 137
11.4 万得接口 141
11.4.1 一个简单例子 141
11.4.2 数据库 142
11.4.3 下载所有股票历史数据 143
第12章 CTA策略 145
12.1 趋势跟踪策略理论基础 145
12.2 技术指标 146
12.3 主力合约的换月问题 147
12.4 用Python实现复权 148
12.4.1 加减复权 148
12.4.2 乘除复权 149
12.5 安装ta-lib 151
12.6 ta-lib的指标和函数介绍 152
12.7 可叠加指标 153
12.7.1 MA、EMA 154
12.7.2 Bollinger Bands 155
12.8 动量指标 156
12.8.1 动量指标简介 156
12.8.2 相对强弱指标 157
12.9 成交量指标 158
12.10 波动率指标 158
12.11 价格变换 159
12.12 Pattern Recognition 160
12.13 一个简单策略模式 163
第13章 策略回测 165
13.1 回测系统是什么 165
13.2 各种回测系统简介 165
13.3 什么是回测 166
13.4 回测系统的种类 167
13.4.1 “向量化”系统 167
13.4.2 For循环回测系统 167
13.4.3 事件驱动系统 168
13.5 回测的陷阱 169
13.6 回测中的其他考量 169
13.7 回测系统概览 170
13.8 使用Python搭建回测系统 171
13.8.1 Python向量化回测 171
13.8.2 Python For循环回测 174
13.8.3 PyAlgoTrade简介 177
第14章 多因子风险模型 181
14.1 风险定义 181
14.2 资本资产定价模型 182
14.3 套利定价理论 182
14.4 多因子模型 183
14.5 多因子模型的优势 183
14.6 建立多因子模型的一般流程 184
14.6.1 风险因子的种类 184
14.6.2 反映外部影响的因子 184
14.6.3 资产截面因子 184
14.6.4 统计因子 184
14.7 行业因子 185
14.8 风险因子 185
14.8.1 风险因子分类 185
14.8.2 投资组合风险分析 186
14.9 基准组合 186
14.10 因子选择和测试 187
14.11 Fama-French三因子模型 187
14.12 因子发掘与论证 191
14.13 单因子有效性分析alphalens 192
14.13.1 数据预处理 192
14.13.2 收益率分析 195
14.13.3 信息系数分析 198
14.14 财务因子为什么不好用 201
第15章 资金分配 203
15.1 现代/均值-方差资产组合理论 203
15.1.1 MPT理论简介 203
15.1.2 随机权重的夏普比率 204
15.1.3 最大化夏普比率 207
15.2 Black-Litterman资金分配模型 209
15.2.1 MPT的优化矩阵算法 209
15.2.2 Black-Litterman模型 215
第16章 实盘交易和vn.py框架 219
16.1 交易平台简介 219
16.2 交易框架vn.py 219
16.3 vn.py的安装和配置 220
16.3.1 安装VN Studio 220
16.3.2 运行VN Station 221
16.3.3 启动VN Trader 222
16.4 CTA策略模块分析 224
16.5 第一个入门策略 225
16.5.1 创建策略文件 225
16.5.2 定义策略类 225
16.5.3 设置参数变量 229
16.5.4 交易逻辑实现 230
16.5.5 实盘K线合成 232
16.6 on_tick和on_bar 233
16.6.1 on_tick的逻辑 233
16.6.2 on_bar的逻辑 234
16.6.3 策略的两种模式 235
第17章 Python与Excel交互 239
17.1 Excel相关库简介 239
17.2 OpenPyxl基础 239
17.2.1 OpenPyxl入门操作 239
17.2.2 Pandas与Excel 242
17.2.3 在Excel中绘图 244
后记 252
书单推荐
