機器交易：利用算法贏得市場先機

目 錄
第1章 算法交易基礎(chǔ) 1
1.1 歷史市場數(shù)據(jù)（Historical Market Data） 2
1.2 現(xiàn)場市場數(shù)據(jù)（Live Market Data） 4
1.3 回測與交易平臺（Backtesting and Trading Platforms） 5
1.4 經(jīng)紀商（Brokers） 8
1.5 表現(xiàn)度量（Performance Metrics） 10
1.6 投資組合優(yōu)化（Portfolio Optimization） 11
專欄1.1：凈收益與對數(shù)收益的均值 13
專欄1.2：采用二次規(guī)劃來計算效率限界 14
專欄1.3：使一個投資組合的夏普比率最大化 17
1.7 小結(jié) 19
1.8 練習 19
1.9 尾注 20
第2章 因子模型 23
2.1 時間序列因子（Time-series Factors） 24
例2.1：使用Fama-French因子來預測第二天收益 26
2.2 橫截面因子（Cross-sectional Factors） 27
例2.2：擬合一個橫截面因子模型，預測下一季度的收益 28
2.3 雙因子模型 31
例2.3：擬合ROE和BM因子模型，來預測下個月的收益 33
2.4 使用期權(quán)價格來預測股票收益 34
2.4.1 隱含矩（Implied Moments） 34
例2.4：做多（或做空）有較高（或較低）隱含矩的股票 36
2.4.2 隱含波動率的每月變化量 37
2.4.3 看漲看跌隱含波動率 38
2.4.4 價外看跌期權(quán)減去平價看漲期權(quán)的隱含波動率 38
2.4.5 隱含市場波動性的每日變化量 39
2.5 空頭凈額（Short Interest） 39
2.6 流動性（Liquidity） 40
2.7 統(tǒng)計因子（Statistical Factors） 41
例2.5：使用PCA找到有預測性的統(tǒng)計因子 43
2.8 把所有因子匯集到一起 44
2.9 小結(jié) 46
2.10 練習 46
2.11 尾注 48
第3章 時間序列分析 49
3.1 AR(p) 49
3.2 ARMA(p, q) 52
3.3 VAR(p) 56
3.4 狀態(tài)空間模型（State Space Models，SSM） 59
3.5 小結(jié) 67
3.6 練習 67
3.7 尾注 68
第4章 人工智能技術(shù) 69
4.1 逐步回歸（Stepwise Regression） 71
4.2 回歸樹（Regression Tree） 73
4.3 交叉驗證（Cross Validation） 76
4.4 裝袋算法（Bagging） 77
4.5 隨機子空間和隨機森林（Random Subspace and Random Forest） 79
4.6 提升算法（Boosting） 80
4.7 分類樹（Classification Tree） 82
4.8 支撐向量機（Support Vector Machine） 83
4.9 隱馬爾科夫模型（Hidden Markov Model） 85
4.10 神經(jīng)網(wǎng)絡(luò)（Neural Network） 87
4.11 數(shù)據(jù)集成與標準化（Data Aggregation and Normalization） 91
4.12 在股票選擇中的應用（Application to Stocks Selection） 93
4.13 小結(jié) 96
4.14 練習 97
4.15 尾注 98
第5章 期權(quán)策略 99
5.1 交易不含期權(quán)的波動率（Trading Volatility without Options） 100
例5.1：比較SPY和VX的杠桿復合收益 101
5.2 預測波動率（Predicting Volatility） 105
例5.2：預測SPY的波動率 106
5.3 事件驅(qū)動策略（Event-Driven Strategies） 111
例5.3：做空原油期貨的期權(quán)跨式組合（Shorting Crude Oil Futures
Options Straddles） 112
5.4 Gamma牟利（Gamma Scalping） 114
例5.4：通過跨式組合在原油期貨上做Gamma牟利 116
5.5 離差交易（Dispersion Trading） 118
例5.5：SPX成分跨式組合對指數(shù)跨式組合的離差交易 120
5.6 隱含波動率的橫截面均值回復（Cross-Sectional Mean Reversion of Implied
Volatility） 127
5.7 小結(jié) 129
5.8 練習 130
5.9 尾注 131
第6章 日內(nèi)交易與市場微觀結(jié)構(gòu) 133
6.1 降低延遲（Latency Reduction） 134
6.2 訂單類型和路由優(yōu)化 136
6.2.1 增加流動性（Adding Liquidity） 136
專欄6.1：為什么BATS的BZX交易對流動性增加者收費？ 140
6.2.2 使用流動性（Taking Liquidity） 140
例6.1：ISO訂單如何在一個訂單簿上游走 141
6.2.3 路由到暗池（Routing to Dark Pools） 143
6.3 減少逆向選擇（Adverse Selection Reduction） 145
6.4 日內(nèi)策略回測（Backtesting Intraday Strategies） 148
例6.2：使用ITCH消息來構(gòu)造BBO 149
專欄6.2：當心低頻數(shù)據(jù)（Beware of Low Frequency Data） 152
專欄6.3：跨期報價數(shù)據(jù)（Calendar spread quotes data） 153
6.5 訂單流（Order Flow） 155
專欄6.4：使用總量分類（BVC）來確定訂單流 156
例6.3：訂單流策略 157
6.6 訂單簿的不平衡性（Order Book Imbalance） 163
6.7 小結(jié) 164
6.8 練習 164
6.9 尾注 166
第7章 比特幣 169
7.1 比特幣真相（Bitcoin Facts） 169
7.2 時間序列技巧 170
7.3 均值回復策略（Mean Reversion Strategy） 172
7.4 人工智能技術(shù)（Artificial Intelligence Techniques） 173
7.5 訂單流（Order Flow） 174
例7.1：一個訂單流策略 175
7.6 跨交易所套利（Cross-Exchange Arbitrage） 177
7.7 小結(jié) 178
7.8 練習 178
7.9 尾注 179
第8章 算法交易有益身心健康 181
8.1 算法交易員的身心健康（Mind and Health） 181
8.2 交易作為一種服務(wù)（Trading as a Service） 183
8.3 可行性 184
8.4 知曉最新動向（Keeping Up with the Latest Trends） 186
8.5 代人理財（Managing Other People’s Money） 186
8.6 小結(jié) 189
8.7 尾注 190
參考文獻 191