本书主要以国内A股市场为例，借助第三方量化交易平台，讲述了KNN、线性模型、决策树、支持向量机、朴素贝叶斯等常见机器学习算法在交易策略中的应用，同时展示了如何对策略进行回测，以便让读者能够有效评估自己的策略。
另外，本书还讲解了自然语言处理（NLP）技术在量化交易领域的发展趋势，并使用时下热门的深度学习技术，向读者介绍了多层感知机、卷积神经网络，以及长短期记忆网络在量化交易方面的前瞻性应用。
本书没有从Python基础语法讲起，对于传统交易策略也只是一带而过，直接将读者带入机器学习的世界。本书适合对Python语言有一定了解且对量化交易感兴趣的读者阅读。

段小手，君兮科技创始人，毕业于北京大学。具有10余年国内一线互联网/电子商务公司项目管理经验。其负责的跨境电子商务项目曾获得“国家发改委电子商务示范项目”“中关村现代服务业试点项目”“北京市信息化基础设施提升项目”“北京市外贸综合公共平台”等专项政策支持。目前重点研究领域为机器学习和深度学习等方面。

第1章 小瓦的故事—从零开始
1.1 何以解忧，“小富”也行
1.1.1 那些年，那些交易
1.1.2 自动化交易和高频交易
1.1.3 因子投资悄然兴起
1.2 机器学习崛起
1.2.1 量化投资风生水起
1.2.2 没有数据是不行的
1.2.3 交易策略和阿尔法因子
1.3 要想富，先配库
1.3.1 Anaconda的下载和安装
1.3.2 Jupyter Notebook的基本使用方法
1.3.3 用真实股票数据练练手
1.4 小结
第2章 小瓦的策略靠谱吗—回测与经典策略
2.1 对小瓦的策略进行简单回测
2.1.1 下载数据并创建交易信号
2.1.2 对交易策略进行简单回测
2.1.3 关于回测，你还需要知道的
2.2 经典策略之移动平均策略
2.2.1 单一移动平均指标
2.2.2 双移动平均策略的实现
2.2.3 对双移动平均策略进行回测
2.3 经典策略之海龟策略
2.3.1 使用海龟策略生成交易信号
2.3.2 根据交易信号和仓位进行下单
2.3.3 对海龟策略进行回测
2.4 小结
第3章 AI来了—机器学习在交易中的简单应用
3.1 机器学习的基本概念
3.1.1 有监督学习和无监督学习
3.1.2 分类和回归
3.1.3 模型性能的评估
3.2 机器学习工具的基本使用方法
3.2.1 KNN算法的基本原理
3.2.2 KNN算法用于分类
3.2.3 KNN算法用于回归
3.3 基于机器学习的简单交易策略
3.3.1 获取股票数据
3.3.2 创建交易条件
3.3.3 使用分类算法制定交易策略
3.4 小结
第4章 多来点数据—借助量化交易平台
4.1 数据不够，平台来凑
4.1.1 选择量化交易平台
4.1.2 量化交易平台的研究环境
4.1.3 在研究环境中运行代码
4.2 借助财务数据筛选股票
4.2.1 获取股票的概况
4.2.2 获取股票的财务数据
4.2.3 通过财务指标进行选股
4.3 谁是幕后“大佬”
4.3.1 找到最大的股东
4.3.2 大股东们增持了还是减持了
4.3.3 资金净流入还是净流出
4.4 小结
第5章 因子来了—基本原理和用法
5.1 “瓦氏因子”了解一下
5.1.1 获取主力资金流向数据
5.1.2 简易特征工程
5.1.3 “瓦氏因子”的计算
5.1.4 用添加“瓦氏因子”的数据训练模型
5.1.5 “因子”都能干啥
5.2 股票不知道怎么选？因子来帮忙
5.2.1 确定股票池
5.2.2 获取沪深两市的全部指数
5.2.3 获取股票的市值因子
5.2.4 获取股票的现金流因子
5.2.5 获取股票的净利率因子
5.2.6 获取股票的净利润增长率因子
5.3 把诸多因子“打个包”
5.3.1 将4个因子存入一个DataFrame
5.3.2 使用PCA提取主成分
5.3.3 找到主成分数值最高的股票
5.4 小结
第6章 因子好用吗—有些事需要你知道
6.1 针对投资组合获取因子值
6.1.1 建立投资组合并设定日期
6.1.2 获取一个情绪因子
6.1.3 获取全部的因子分析结果
6.2 因子收益分析
6.2.1 因子各分位统计
6.2.2 因子加权多空组合累计收益
6.2.3 做多最大分位做空最小分位收益
6.2.4 分位数累计收益对比
6.3 因子IC分析
6.3.1 因子IC分析概况
6.3.2 因子IC时间序列图
6.3.3 因子IC正态分布Q-Q图和月度均值
6.4 因子换手率、因子自相关性和因子预测能力分析
6.4.1 因子换手率分析
6.4.2 因子自相关性分析
6.4.3 因子预测能力分析
6.5 小结
第7章 当因子遇上线性模型
7.1 什么是线性模型
7.1.1 准备用于演示的数据
7.1.2 来试试最简单的线性回归
7.1.3 使用正则化的线性模型
7.2 用线性模型搞搞交易策略
7.2.1 准备因子
7.2.2 训练模型
7.2.3 基于模型的预测进行选股
7.3 能不能赚到钱
7.3.1 平台的策略回测功能
7.3.2 把研究成果写成策略
7.3.3 回测
7.4 小结
第8章 因子遇到决策树与随机森林
8.1 什么是决策树和随机森林
8.1.1 线性模型不适用的数据样本
8.1.2 决策树的用法和原理
8.1.3 随机森林的用法和原理
8.2 哪些因子重要，决策树能告诉你
8.2.1 多来点因子
8.2.2 设定目标并训练模型
8.2.3 哪些因子重要
8.3 用重要因子和随机森林来制订策略
8.3.1 回测函数的初始化
8.3.2 盘前的准备工作
8.3.3 策略中的机器学习部分
8.3.4 定义买入股票和卖出股票的列表
8.3.5 定义买入操作和卖出操作
8.3.6 对策略进行回测
8.4 小结
第9章 因子遇到支持向量机
9.1 什么是支持向量机
9.1.1 支持向量机的基本原理
9.1.2 线性内核有时“很着急”
9.1.3 RBF内核“闪亮登场”
9.2 动态因子选择策略
9.2.1 设置回测环境
9.2.2 开盘