内容简介

《从零开始学Python 大数据与量化交易》首先讲解量化交易的基础知识，如量化交易的优势、应用、注意事项、历史、量化交易平台等；然后讲解量化交易开发语言Python，即讲解Python 语言的开发环境、基本语法及流程控制、特征数据类型、内置函数与自定义用户函数、面向对象编程；接着讲解大数据分析和可视化的3 个包，分别是Numpy 包、Pandas 包、Matplotlib 包；然后讲解量化交易策略的编写、获取数据函数、基本面量化选股、量化择时的技术指标函数、回测技巧、因子分析技巧；最后讲解Python 量化交易策略的实战案例。
在讲解过程中既考虑读者的学习习惯，又通过具体实例剖析讲解Python 大数据与量化交易过程中的热点问题、关键问题及种种难题。
《从零开始学Python 大数据与量化交易》适用于各种不同的投资者，如新老股民、中小散户、股票操盘手、基金操盘手和专业股票评论人士以及经济财经类专业的大学生，更适用于那些有志于在这个充满风险、充满寂寞的征程上默默前行的征战者阅读。

前 言
说起量化交易，你的脑海里是否会浮现这样一幅画面：一间采用高科技搭建起来的交易室，上百台计算机显示屏飞速跑着各种数学模型，投资交易以微秒计的速度高深莫测地计算着？诚然，在普通投资者眼里，量化交易可能意味着复杂模型、高频交易、专业程序，且仿佛离我们很远。这些固然是量化交易的特征，但其实离我们并不遥远，事实上，我们每天都不自觉地在使用着量化。比如当你用某个或某些条件去判断是否要买卖某只股票或者如何买卖时，就是量化思维的一种表现。
量化投资在海外的发展已有30 多年的历史，其投资业绩稳定，市场规模和份额不断扩大，得到了越来越多投资者的认可，并且量化对冲基金已经成为资管行业的翘楚。国内的量化交易起步较晚，量化交易在证券市场占比还不足5%。随着科技的进步，中国的量化交易市场正在快速发展。
当前，我国的量化交易主要应用在商品期货上。随着股指期货的上市，期货市场和证券市场实现了真正意义上的互动，投资者不仅可以在期货市场上进行交易，同时还可以在期货与股票之间进行套利交易。利用量化交易对股指期货进行操作将会是投资者（尤其是机构投资者）一个重要的发展方向。
本书特点
特 点                说 明
16 章实战精讲    本书体系完善，由浅入深地对Python 大数据与量化交易
                 进行了16章专题精讲，其内容涵盖了量化交易的
                 基础知识、聚宽JoinQuant 量化交易平台、
                 Python 开发环境及配置、
                 Python 的基本语法及流程控制、
                 Python 的特征数据类型、Python 的内置函数
                 与自定义用户函数、Python的面向对象编程、
                 数据分析的Numpy 包、数据分析的Pandas 包、
                 数据可视化的Matplotlib 包、
                 Python 量化交易策略的编写、
                 Python 获取数据函数、Python 基本面量化选股、
                 Python 量化择时的技术指标函数、
                 Python 量化交易策略的回测技巧、
                 Python 量化交易策略的因子分析技巧、
                 Python 量化交易策略的实战案例等
108 个知识点     本书结合Python 大数据与量化交易的实战应用，
                 讲解了108 个应用技巧，其内容涵盖了格式化
                 字符串的输出、Input（）函数、算术运算符、
                 赋值运算符、位运算符、关系运算符、
                 嵌套 If 语句、while 循环、for 循环、
                 列表、元组、字典、集合、内置函数、
                 用户自定义函数、匿名函数、类的继承、
                 调用自定义模块、全局变量和局部变量、
                 Numpy 数组、Numpy 矩阵、Numpy 线性代数、
                 Numpy 文件操作、一维数组系列（Series）、
                 二维数组DataFrame、三维数组Panel、
                 绘制色图和等高线图、绘制立体三维图形、
               设置函数、定时函数、下单函数、
               获取数据函数、成长类因子选股、
               规模类因子选股、价值类因子选股、
               质量类因子选股、趋向指标函数、
               反趋向指标函数、压力支撑指标函数、
               量价指标函数、利用Python 编写MACD
               指标量化策略、设置MACD 指标量化策略的回测参数、
               MACD 指标量化策略的回测详情、因子分析的实现代码、
               因子分析的结果、基本面因子应用实例、
               MA 均线量化交易策略、多均线量化交易策略、
               能量型指标量化交易策略、KD 指标量化交易策略、
               BOLL 指标量化交易策略、多股票持仓量化交易策略、
               医药股轮动量化交易策略、中市值股票量化交易策略、
               低估价值股量化交易策略等

100 多个实战案例  本书结合理论知识，在其讲解的过程中，
                  列举了100 多个案例，进行分析讲解，
                  让广大投资者在学习理论知识的同时，
                  更准确地理解其意义和实际应用
80 多个技能提示   本书结合Python 大数据与量化交易中
                  遇到的热点问题、关键问题及种种难题，
                  以技能提示的方式奉送给投资者，
                  其中包括Python 的代码格式、
                  基本面量化选股、技术面量化择时等
结构特点       本书讲解都从基础知识和基本操作开始，
                  读者无须参照其他书即可轻松入门；
                  另一层是充分考虑没有基础读者的实际情况，
                  在文字表述方面尽量避开专业的术语，
                  用通俗易懂的语言讲解每个知识点的应用技巧，
                  从而突出容易学、上手快的特点
本书结构
章节介绍       内容体系                   作 用
第1 章   首先讲解量化交易的基础知识，  从整体上认识量化交易及
          然后讲解量化交易的优势、     量化交易平台，为后续章节的
          应用、注意事项、历史         学习打下良好的基础
          及与人工交易的区别，
          最后讲解量化交易的平台和
          量化交易的潜在风险及应对策略
第2~6 章  讲解量化交易开发语言Python，  Python 是量化交易策略编写的
          即讲解Python 语言的开发环境、  首选语言，也是最常用的编程语
          基本语法及流程控制、            言。为了更好地编写和理解量化交
          特征数据类型、内置函数与        易策略，就必须掌握该语言
          自定义用户函数、面向对象编程

第7~9 章  讲解大数据分析和可视化的3      量化交易就是对海量的股票数
           个包，分别是Numpy 包、        据进行分析及可视化，所以投资者
           Pandas包、Matplotlib 包          要掌据Python 中的3 个重要数据分
                                          析和可视化的包
第10~15 章 讲解量化交易策略的编写、      要想编写出优秀的量化交易策
           获取数据函数、基本面           略，就必须熟练掌握量化选股技
           量化选股、量化择时的           巧、量化择时技巧、回测技巧、因
           技术指标函数、回测技巧、       子分析技巧等
           因子分析技巧
第16 章   讲解Python 量化交易策略的实     通过编写Python 量化交易策略
           战案例                          的实战案例，可以提高投资者对量
                                           化交易策略的综合认识，并真正掌
                                           握量化交易技巧，从而学以致用
本书适合的读者
本书适用于各种不同的投资者，如新老股民、中小散户、股票操盘手、基金操盘手和专业股票评论人士，以及经济财经类专业的大学生、更适用于那些有志于在这个充满风险、充满寂寞的征程上默默前行的征战者。
创作团队
本书由王可群、周峰编写，下面人员对本书的编写提出过宝贵意见并参与了部分编写工作，他们是刘志隆、王征、吕雷、王高缓、梁雷超、周飞、纪欣欣、葛钰秀、张亮、周科峰、王英茏、陈税杰等。
由于作者水平有限，书中的缺点和不足之处在所难免，敬请读者批评指正。
本书赠送的图片及其他资源均以二维码形式提供，读者可以使用手机扫描右侧的二维码下载并观看。
 

目 录
第1 章 量化交易快速入门    1
1.1 初识量化交易     2
1.1.1 量化交易的定义    2
1.1.2 量化交易与算法交易       2
1.1.3 量化交易与黑匣子交易    3
1.1.4 量化交易与程序化交易    3
1.1.5 量化交易与技术分析       3
1.2 量化交易的优势          4
1.2.1 严格的纪律性       4
1.2.2 完备的系统性       4
1.2.3 妥善运用套利的思想       5
1.2.4 靠概率取胜      5
1.3 量化交易的应用          6
1.3.1 投资品种选择       6
1.3.2 投资时机选择       6
1.3.3 算法交易          7
1.3.4 各种套利交易       8
1.3.5 资产配置          9
1.4 量化交易与人工交易的对比     10
1.5 量化交易的注意事项     11
1.6 量化交易的发展过程     11
1.6.1 国外量化交易的发展过程     11
1.6.2 国内量化交易的发展过程     12
1.7 量化交易的平台        12
1.7.1 聚宽JoinQuant 量化交易平台的功能     12
1.7.2 账户注册、登录及策略创建     13
1.7.3 量化交易策略的选股     18
1.7.4 量化交易策略的买卖条件      24
1.7.5 量化交易策略的风险控制      27
1.7.6 量化交易策略的其他参数      28
1.7.7 编写Python 代码来创建量化交易策略     29
1.7.8 量化交易策略的回测详情      30
1.7.9 量化交易策略的模拟交易      32
1.8 量化交易的潜在风险及应对策略      38
第2 章 Python 量化交易的开发环境      39
2.1 初识Python 语言      40
2.1.1 Python 的历史由来     40
2.1.2 Python 的特点     40
2.1.3 Python 的应用     41
2.2 Python 开发环境及配置    42
2.2.1 Python 的下载     42
2.2.2 Python 的安装     43
2.2.3 Python 的环境变量配置       44
2.3 Python 程序的编写     48
2.3.1 利用系统自带的开发软件IDEL直接编写程序并运行       48
2.3.2 创建Python 文件并运行      50
2.4 利用量化交易平台编写Python程序          52
2.4.1 初识IPython Notebook研究平台       52
2.4.2 利用Python Notebook 编写Python 程序        56
第3 章 Python 的基本语法及流程控制      59
3.1 Python 的基本数据类型    60
3.1.1 数值类型        60
3.1.2 字符串类型     62
3.2 变量及赋值     66
3.2.1 变量命名规则     66
3.2.2 变量的赋值     67
3.3 运算符        68
3.3.1 算术运算符     68
3.3.2 赋值运算符     70
3.3.3 位运算符        71
3.4 选择结构        72
3.4.1 关系运算符     73
3.4.2 逻辑运算符     74
3.4.3 if 语句         75
3.4.4 嵌套 if 语句    77
3.5 循环结构        78
3.5.1 while 循环      79
3.5.2 while 循环使用else 语句     79
3.5.3 无限循环        80
3.5.4 for 循环          81
3.5.5 在for 循环中使用range()函数     82
3.6 其他语句        83
3.6.1 break 语句      83
3.6.2 continue 语句       84
3.6.3 pass 语句        85
3.7 Python 的代码格式     86
3.7.1 代码缩进        86
3.7.2 代码注释        86
3.7.3 空行     87
3.7.4 同一行显示多条语句     87
第4 章 Python 的特征数据类型   89
4.1 列表          90
4.1.1 列表的创建     90
4.1.2 3 种方法访问列表中的值     90
4.1.3 两种方法更新列表中的值    91
4.1.4 del 语句删除列表中的值      92
4.1.5 列表的4 个函数   93
4.1.6 列表的方法     94
4.2 元组          95
4.2.1 元组的创建     96
4.2.2 3 种方法访问元组中的值     96
4.2.3 元组的连接     97
4.2.4 整个元组的删除   99
4.2.5 元组的4 个函数   100
4.3 字典        101
4.3.1 字典的创建       101
4.3.2 访问字典中的值和键    101
4.3.3 字典的修改       103
4.3.4 字典中的3 个函数       104
4.4 集合        105
4.4.1 集合的创建       105
4.4.2 集合的两个基本功能    105
4.4.3 集合的运算符    106
4.4.4 集合的方法       108
第5 章 Python 的函数及应用技巧      111
5.1 初识函数      112
5.2 内置函数      112
5.2.1 数学函数      112
5.2.2 随机数函数       113
5.2.3 三角函数      115
5.2.4 字符串函数       117
5.3 用户自定义函数      120
5.3.1 函数的定义       120
5.3.2 调用自定义函数   121
5.3.3 函数的参数传递   122
5.3.4 函数的参数类型   125
5.3.5 匿名函数      128
第6 章 Python 的面向对象编程基础      129
6.1 面向对象      130
6.1.1 面向对象概念    130
6.1.2 类定义与类对象   131
6.1.3 类的继承      133
6.2 模块        136
6.2.1 自定义模块和调用       136
6.2.2 import 语句       138
6.2.3 标准模块      139
6.3 包            140
6.4 变量作用域及类型       141
6.4.1 变量作用域       142
6.4.2 全局变量和局部变量    143
6.4.3 global 和nonlocal 关键字   144
第7 章 Python 大数据分析的Numpy 包      147
7.1 初识Numpy 包        148
7.2 ndarray 数组基础      148
7.2.1 创建Numpy 数组     148
7.2.2 Numpy 特殊数组      152
7.2.3 Numpy 序列数组      155
7.2.4 Numpy 数组索引      156
7.2.5 Numpy 数组运算      157
7.2.6 Numpy 数组复制      158
7.3 Numpy 的矩阵        159
7.4 Numpy 的线性代数      160
7.4.1 两个数组的点积   160
7.4.2 两个向量的点积   161
7.4.3 一维数组的向量内积    162
7.4.4 矩阵的行列式    162
7.4.5 矩阵的逆      164
7.5 Numpy 的文件操作      164
第8 章 Python 大数据分析的Pandas 包     169
8.1 Pandas 的数据结构       170
8.2 一维数组系列         170
8.2.1 创建一个空的系列       170
8.2.2 从ndarray 创建一个系列      171
8.2.3 从字典创建系列   172
8.2.4 从有位置的系列中访问数据       173
8.2.5 使用标签检索数据       174
8.3 二维数组DataFrame     174
8.3.1 创建DataFrame    174
8.3.2 数据的查看       175
8.3.3 数据的选择       179
8.3.4 数据的处理       185
8.4 三维数组Panel        187
第9 章 Python 大数据可视化的Matplotlib 包      189
9.1 Matplotlib 包的优点     190
9.2 figure()函数的应用       190
9.2.1 figure()函数的各参数意义     190
9.2.2 figure()函数的示例       190
9.3 plot()函数的应用      192
9.3.1 plot()函数的各参数意义     192
9.3.2 plot()函数的实例      194
9.4 subplot()函数的应用     195
9.4.1 subplot()的各参数意义       196
9.4.2 subplot()的示例    196
9.5 add_axes 方法的应用    197
9.6 legend()函数的应用      198
9.7 设置字体格式         200
9.8 设置线条的宽度和颜色      201
9.9 坐标轴网格     202
9.10 绘制柱状图       203
9.11 绘制色图和等高线图    204
9.12 绘制立体三维图形     206
第10 章 Python 量化交易策略的编写        209
10.1 股票量化交易策略的组成     210
10.1.1 初始化函数    211
10.1.2 开盘前运行函数      212
10.1.3 开盘时运行函数      212
10.1.4 收盘后运行函数      213
10.2 设置函数     213
10.2.1 设置基准函数      214
10.2.2 设置佣金/印花税函数    214
10.2.3 设置滑点函数      215
10.2.4 设置动态复权(真实价格)模式函数      216
10.2.5 设置成交量比例函数     216
10.2.6 设置是否开启盘口撮合模式函数      217
10.2.7 设置要操作的股票池函数    217
10.3 定时函数     217
10.3.1 定时函数的定义及分类217
10.3.2 定时函数各项参数的意义      218
10.3.3 定时函数的注意事项     219
10.3.4 定时函数的实例      220
10.4 下单函数     220
10.4.1 按股数下单函数      220
10.4.2 目标股数下单函数   221
10.4.3 按价值下单函数      221
10.4.4 目标价值下单函数   222
10.4.5 撤单函数      222
10.4.6 获取未完成订单函数     222
10.4.7 获取订单信息函数   223
10.4.8 获取成交信息函数   223
10.5 日志log      224
10.5.1 设定log 的级别       224
10.5.2 log.info      225
10.6 常用对象     225
10.6.1 Order 对象    225
10.6.2 全局对象g    225
10.6.3 Trade 对象    226
10.6.4 tick 对象       226
10.6.5 Context 对象    227
10.6.6 Position 对象    228
10.6.7 SubPortfolio 对象     229
10.6.8 Portfolio 对象   229
10.6.9 SecurityUnitData 对象    230
第11 章 Python 量化交易策略的获取数据函数   231
11.1 获取股票数据的history()函数    232
11.1.1 各项参数的意义      232
11.1.2 history()函数的应用实例      233
11.2 获取一只股票数据的attribute_
history()函数          236
11.3 查询一个交易日股票财务数据的get_fundamentals()函数     237
11.3.1 各项参数的意义      237
11.3.2 get_fundamentals ()函数的应用实例      238
11.4 查询股票财务数据的get_fundamentals_continuously()函数       242
11.5 获取股票特别数据的get_current_data()函数      243
11.6 获取指数成分股代码的get_index_stocks()函数       244
11.6.1 各项参数的意义      244
11.6.2 get_index_stocks()函数的应用示例      245
11.7 获取行业成分股代码的get_industry_stocks()函数       246
11.8 获取概念成本股代码的get_concept_stocks()函数       247
11.9 获取所有数据信息的get_all_securities()函数      249
11.9.1 各项参数的意义      249
11.9.2 get_all_securities()函数的应用实例      250
11.10 获取一只股票信息的get_security_info()函数        252
11.11 获取龙虎榜数据的get_billboard_list()函数     252
11.11.1 各项参数的意义    252
11.11.2 get_billboard_list()函数的应用实例    253
11.12 获取限售解禁数据的get_locked_shares()函数         254
第12 章 Python 基本面量化选股    255
12.1 初识量化选股        256
12.2 成长类因子选股     256
12.2.1 营业收入同比增长率选股         256
12.2.2 营业收入环比增长率选股         258
12.2.3 净利润同比增长率选股         259
12.2.4 净利润环比增长率选股         259
12.2.5 营业利润率选股      260
12.2.6 销售净利率选股      261
12.2.7 销售毛利率选股      262
12.3 规模类因子选股     263
12.3.1 总市值选股    263
12.3.2 流通市值选股      264
12.3.3 总股本选股    265
12.3.4 流通股本选股      266
12.4 价值类因子选股     267
12.4.1 市净率选股    267
12.4.2 市销率选股    268
12.4.3 市现率选股    269
12.4.4 动态市盈率选股      270
12.4.5 静态市盈率选股      270
12.5 质量类因子选股     271
12.5.1 净资产收益率选股   271
12.5.2 总资产净利率选股   272
12.6 基本面多因子量化选股的注意事项     273
第13 章 Python 量化择时的技术指标函数      275
13.1 初识量化择时        276
13.2 趋向指标函数        276
13.2.1 MACD 指标函数     277
13.2.2 EMV 指标函数        278
13.2.3 UOS 指标函数     279
13.2.4 GDX 指标函数        280
13.2.5 DMA 指标函数        281
13.2.6 JS 指标函数   283
13.2.7 MA 指标函数      284
13.2.8 EXPMA 指标函数    285
13.2.9 VMA 指标函数        286
13.3 反趋向指标函数     287
13.3.1 KD 指标函数   287
13.3.2 MFI 指标函数      288
13.3.3 RSI 指标函数   289
13.3.4 OSC 指标函数     290
13.3.5 WR 指标函数      291
13.3.6 CCI 指标函数      293
13.4 压力支撑指标函数     293
13.4.1 BOLL 指标函数       294
13.4.2 MIKE 指标函数       295
13.4.3 XS 指标函数    296
13.5 量价指标函数        297
13.5.1 OBV 指标函数        297
13.5.2 VOL 指标函数     298
13.5.3 VR 指标函数   299
13.5.4 MASS 指标函数      300
第14 章 Python 量化交易策略的回测技巧      303
14.1 量化交易策略回测的流程     304
14.2 利用Python 编写MACD 指标量化策略       304
14.2.1 量化交易策略的编辑页面         304
14.2.2 编写初始化函数      307
14.2.3 编写单位时间调用的函数         307
14.3 设置MACD 指标量化策略的回测参数     308
14.4 MACD 指标量化策略的回测详情     310
14.5 MACD 指标量化策略的风险指标     313
14.5.1 Alpha（阿尔法）     314
14.5.2 Beta（贝塔）       314
14.5.3 Sharpe（夏普比率）     315
14.5.4 Sortino（索提诺比率） 316
14.5.5 Information Ratio（信息比率）      317
14.5.6 Volatility（策略波动率）       318
14.5.7 Benchmark Volatility（基准波动率）       318
14.5.8 Max Drawdown（最大回撤）      319
第15 章 Python 量化交易策略的因子分析技巧   321
15.1 因子分析概述        322
15.1.1 因子的类型    322
15.1.2 因子分析的作用      322
15.2 因子分析的实现代码    322
15.2.1 因子分析中变量的含义         322
15.2.2 因子分析中可以使用的基础因子      323
15.2.3 calc 的参数及返回值     324
15.3 因子分析的结果     324
15.3.1 新建因子      325
15.3.2 收益分析      327
15.3.3 IC 分析     330
15.3.4 换手分析      331
15.4 因子在研究和回测中的使用       332
15.5 基本面因子应用实例    334
第16 章 Python 量化交易策略的实战案例      337
16.1 MA 均线量化交易策略实战案例       338
16.1.1 编写初始化函数      338
16.1.2 编写单位时间调用的函数         339
16.1.3 MA 均线量化交易策略的回测      340
16.2 多均线量化交易策略实战案例   341
16.2.1 编写初始化函数      341
16.2.2 编写交易程序函数   342
16.2.3 多均线量化交易策略的回测         343
16.3 能量型指标量化交易策略实战案例       344
16.3.1 编写初始化函数      344
16.3.2 编写单位时间调用的函数         345
16.3.3 能量型指标量化交易策略的回测      346
16.4 KD 指标量化交易策略实战案例       347
16.4.1 编写初始化函数      347
16.4.2 编写开盘前运行函数     348
16.4.3 编写开盘时运行函数     348
16.4.4 编写收盘后运行函数     349
16.4.5 KD 指标量化交易策略的回测      349
16.5 BOLL 指标量化交易策略实战案例       350
16.5.1 编写初始化函数      350
16.5.2 编写开盘前运行函数     351
16.5.3 编写开盘时运行函数     351
16.5.4 编写收盘后运行函数     352
16.5.5 BOLL 指标量化交易策略的回测      352
16.6 多股票持仓量化交易策略实战案例       353
16.6.1 编写初始化函数      353
16.6.2 编写单位时间调用的函数         354
16.6.3 多股票持仓量化交易策略的回测      354
16.7 医药股轮动量化交易策略实战案例       355
16.7.1 编写初始化函数      355
16.7.2 编写选股函数      356
16.7.3 编写交易函数      356
16.7.4 医药股轮动量化交易策略的回测      357
16.8 中市值股票量化交易策略实战案例     358
16.8.1 编写初始化函数      358
16.8.2 编写选股函数      358
16.8.3 编写过滤停牌股票函数         359
16.8.4 编写交易函数      359
16.8.5 中市值股票量化交易策略的回测      360
16.9 低估价值股量化交易策略实战案例       360
16.9.1 编写初始化函数      361
16.9.2 编写选股函数      361
16.9.3 编写交易函数      362
16.9.4 低估价值股量化交易策略的回测      363