《量化交易：算法、分析、数据、模型和优化》源于几位作者任教的加州大学伯克利分校、斯坦福大学等高校开设的相关课程。这些课程紧随大数据时代和金融科技的热点，面向金融工程和计算金融项目的学生。当今，量化交易策略及其相关的统计模型和方法、知识表达、数据分析和算法设计以及信息学的重要性越来越高。在此背景下，《量化交易：算法、分析、数据、模型和优化》从多学科角度对于量化交易进行了综合阐述，同时也为学术研究和金融实务搭建了桥梁。
量化交易涉及多个学科，且横跨学术界与业界。几位作者结合他们在多个学科的学术背景和丰富的业界工作经验，在撰写《量化交易：算法、分析、数据、模型和优化》过程中综合考虑了不同类型读者的核心需要。
《量化交易：算法、分析、数据、模型和优化》的目标受众既包含高年级本科生、硕士生等在校学生，也包含有志于学习量化交易领域尖端知识和现代交易实务的交易员、量化分析师以及监管者等。考虑到目标受众的背景和兴趣的差异，《量化交易：算法、分析、数据、模型和优化》对于章节进行了特别安排，使得不同类型的读者能够专注于其感兴趣的部分。
Author(s): Xin Guo; Tze Leung Lai; Howard Shek; Samuel Po-Shing Wong
Series: 应用统计学丛书
Publisher: 高等教育出版社
Year: 2020
Language: Chinese
Pages: 360
第一章 概论
1．1 交易基础结构的演变
1．2 量化交易策略及时间跨度
1．3 统计套利及关于有效市场假说的争论
1．4 量化基金、公募基金、对冲基金以及基金表现
1．5 数据、分析、模型、优化和算法
1．6 量化交易的跨学科性及本书的使用方法
1．7 补充材料和习题
第二章 量化交易中的统计模型与方法
2．1 股票价格的特征
2．1．1 低频交易数据的时间序列分析
2．1．2 高频交易数据的离散化价格变动
2．2 巴黎证交所的布朗运动和华尔街的随机游走
2．3 现代投资组合理论是在有效市场假说下的华尔街随机漫步靴
2．4 现代投资组合理论的统计学基础
2．4．1 多因子定价模型
2．4．2 贝叶斯方法、缩减技术及Black-Litterman估计方法
2．4．3 Bootstrap方法和重抽样方法前沿
2．5 一种考虑了参数不确定性的新方法
2．5．1 优化问题的求解
2．5．2 最优权重向量的计算
2．5．3 收益率的Bootstrap估计和NPEB法则
2．6 从随机游走模型到更符合事实的鞅模型
2．6．1 从高斯形式到帕累托形式的随机游走
2．6．2 包含最优抽样时间的随机游走
2．6．3 从随机游走模型到ARIMA、GARCH和鞅回归等时间序列模型
2．7 新现代投资组合理论下的鞅回归模型
2．7．1 在NPEB中加入时间序列效应
2．7．2 有效前沿上的最优信息比率
2．7．3 新现代投资组合理论的实证检验
2．8 有效市场假说之外的统计套利和策略
2．8．1 非参数回归和变点模型中的技术准则和统计背景
2．8．2 时间序列、动量策略和配对交易策略
2．8．3 逆向投资策略、行为金融及投资者的认识偏差
2．8．4 从价值投资到全球宏观策略
2．8．5 投资策略的样本内评估和样本外评估以及多重检验方法
2．9 补充材料和习题
……
第三章 积极型投资组合管理和投资策略
第四章 电子交易中的计量经济学
第五章 限价指令簿：数据分析和动态模型
第六章 最优执行与配置
第七章 做市和智能订单路径
第八章 信息学、监管和风险管理
附录
参考文献
索引
