机器交易:利用算法赢得市场先机

图书标准信息

• 作者 [美]欧内斯特·P.陈 著 林通（Ernest P. Chan） 译
• 出版社 清华大学出版社
• 出版时间 2018-06
• 版次 1
• ISBN 9787302530268
• 定价 89.00元
• 装帧 平装
• 开本 其他
• 页数 197页

【内容简介】

本书详细阐述了与机器交易相关的基本解决方案，主要包括算法交易基础、因子模型、时间序列分析、人工智能技术、期权策略、日内交易与市场微观结构、比特币、算法交易有益身心健康等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。

【作者简介】

欧内斯特？P.陈是QTS资本管理有限公司的管理者，也是一家商品池的经营者，自2011年之后他同时也是交易顾问。他从康奈尔大学获得物理学博士学位，在进入金融工业界之前在IBM T．J．Watson研究中心机器学习部做研究员，然后在摩根士丹利与瑞信工作。他是以下两本书的作者：Quantitative Trading：How to Build Your Own Algorithmic Trading Business和Algorithmic Trading：Winning Strategies and Their Rationale。在网址www．epchan．com上能找到欧尼(Emie是他的英文昵称)更多的信息(译注：他的叔父陈原是中国当代有名语言学家及出版家)。

【目录】

章  算法交易基础 1
1.1  历史市场数据（Historical Market Data） 2
1.2  现场市场数据（Live Market Data） 4
1.3  回测与交易平台（Backtesting and Trading Platforms） 5
1.4  经纪商（Brokers） 8
1.5  表现度量（Performance Metrics） 10
1.6  投资组合优化（Portfolio Optimization） 11
专栏1.1：净收益与对数收益的均值 13
专栏1.2：采用二次规划来计算效率限界 14
专栏1.3：使一个投资组合的夏普比率优选化 17
1.7  小结 19
1.8  练习 19
1.9  尾注 20
第2章  因子模型 23
2.1  时间序列因子（Time-series Factors） 24
例2.1：使用Fama-French因子来预测第二天收益 26
2.2  横截面因子（Cross-sectional Factors） 27
例2.2：拟合一个横截面因子模型，预测下一季度的收益 28
2.3  双因子模型 31
例2.3：拟合ROE和BM因子模型，来预测下个月的收益 33
2.4  使用期权价格来预测股票收益 34
2.4.1  隐含矩（Implied Moments） 34
例2.4：做多（或做空）有较高（或较低）隐含矩的股票 36
2.4.2  隐含波动率的每月变化量 37
2.4.3  看涨看跌隐含波动率 38
2.4.4  价外看跌期权减去平价看涨期权的隐含波动率 38
2.4.5  隐含市场波动性的每日变化量 39
2.5  空头净额（Short Interest） 39
2.6  流动性（Liquidity） 40
2.7  统计因子（Statistical Factors） 41
例2.5：使用PCA找到有预测性的统计因子 43
2.8  把所有因子汇集到一起 44
2.9  小结 46
2.10  练习 46
2.11  尾注 48
第3章  时间序列分析 49
3.1  AR(p) 49
3.2  ARMA(p, q) 52
3.3  VAR(p) 56
3.4  状态空间模型（State Space Models，SSM） 59
3.5  小结 67
3.6  练习 67
3.7  尾注 68
第4章  人工智能技术 69
4.1  逐步回归（Stepwise Regression） 71
4.2  回归树（Regression Tree） 73
4.3  交叉验证（Cross Validation） 76
4.4  装袋算法（Bagging） 77
4.5  随机子空间和随机森林（Random Subspace and Random Forest） 79
4.6  提升算法（Boosting） 80
4.7  分类树（Classification Tree） 82
4.8  支撑向量机（Support Vector Machine） 83
4.9  隐马尔科夫模型（Hidden Markov Model） 85
4.10  神经网络（Neural Network） 87
4.11  数据集成与标准化（Data Aggregation and Normalization） 91
4.12  在股票选择中的应用（Application to Stocks Selection） 93
4.13  小结 96
4.14  练习 97
4.15  尾注 98
第5章  期权策略 99
5.1  交易不含期权的波动率（Trading Volatility without Options） 100
例5.1：比较SPY和VX的杠杆复合收益 101
5.2  预测波动率（Predicting Volatility） 105
例5.2：预测SPY的波动率 106
5.3  事件驱动策略（Event-Driven Strategies） 111
例5.3：做空原油期货的期权跨式组合（Shorting Crude Oil Futures
Options Straddles） 112
5.4  Gamma牟利（Gamma Scalping） 114
例5.4：通过跨式组合在原油期货上做Gamma牟利 116
5.5  离差交易（Dispersion Trading） 118
例5.5：SPX成分跨式组合对指数跨式组合的离差交易 120
5.6  隐含波动率的横截面均值回复（Cross-Sectional Mean Reversion of Implied
Volatility） 127
5.7  小结 129
5.8  练习 130
5.9  尾注 131
第6章  日内交易与市场微观结构 133
6.1  降低延迟（Latency Reduction） 134
6.2  订单类型和路由优化 136
6.2.1  增加流动性（Adding Liquidity） 136
专栏6.1：为什么BATS的BZX交易对流动性增加者收费？ 140
6.2.2  使用流动性（Taking Liquidity） 140
例6.1：ISO订单如何在一个订单簿上游走 141
6.2.3  路由到暗池（Routing to Dark Pools） 143
6.3  减少逆向选择（Adverse Selection Reduction） 145
6.4  日内策略回测（Backtesting Intraday Strategies） 148
例6.2：使用ITCH消息来构造BBO 149
专栏6.2：当心低频数据（Beware of Low Frequency Data） 152
专栏6.3：跨期报价数据（Calendar spread quotes data） 153
6.5  订单流（Order Flow） 155
专栏6.4：使用总量分类（BVC）来确定订单流 156
例6.3：订单流策略 157
6.6  订单簿的不平衡性（Order Book Imbalance） 163
6.7  小结 164
6.8  练习 164
6.9  尾注 166
第7章  比特币 169
7.1  比特币真相（Bitcoin Facts） 169
7.2  时间序列技巧 170
7.3  均值回复策略（Mean Reversion Strategy） 172
7.4  人工智能技术（Artifi Intelligence Techniques） 173
7.5  订单流（Order Flow） 174
例7.1：一个订单流策略 175
7.6  跨交易所套利（Cross-Exchange Arbitrage） 177
7.7  小结 178
7.8  练习 178
7.9  尾注 179
第8章  算法交易有益身心健康 181
8.1  算法交易员的身心健康（Mind and Health） 181
8.2  交易作为一种服务（Trading as a Service） 183
8.3  可行性 184
8.4  知晓最新动向（Keeping Up with the Latest Trends） 186
8.5  代人理财（Managing Other People’s Money） 186
8.6  小结 189
8.7  尾注 190
参考文献 191