《量化交易学习指南：基于R语言》配套代码

编辑推荐

长期以来，量化分析师面临着诸多挑战，但相应的待遇也很好丰厚，行业里有名的公司和投资银行都在积极争夺相关人才。假如你想让自己掌握相关技能，并学会应用流行的R语言来解决量化金融世界中真实涌现的各式难题，那么本书就是为你量身定制的宝贵资源。 本书基于R语言进行讲解，循序渐进地教读者如何构建量化金融模型，如何通过R编程高效地解决金融难题，同时还将机器学习算法、时间序列分析、预测建模、风险分析等重要技术点纳入其中。书中展示了诸多易于理解的示例和应用级案例，这些内容有助于读者更好地理解相关的主题以及如何在R中通过编程实现。 阅读本书后，你将能够： （1）了解R语言的基础知识及其在量化金融领域中的应用； （2）用R处理数据和构建模型； （3）探究不同类型的分析技术， 如统计分析、时间序列分析、预测建模和计量分析等； （4）用真实世界的数据和案例来构建和分析量化金融模型； （5）学习用真实世界的案例来开发交易策略； （6）在基于模型做出决策前，要先确定合适的绩效测度指标； （7）深入了解基于机器学习的量化交易； （8）掌握算法交易及其优化方法； （9）学会管理和对冲金融工具的风险。

内容简介

R既是统计、挖掘、计算、分析、制图等方面的工具，也是一个强大的开发与应用平台。在大数据时代，任何与数据相关的难题，都可以借助R语言来解决。而金融领域正是与数据密切相关的行业，可以通过R这一工具来实现量化金融建模与量化交易。 本书包括9章内容，书中包含诸多真实的金融案例，旨在通过循序渐进的讲解帮助读者了解R，并学会在量化金融与量化交易中使用R。本书还介绍了有关统计建模、计量分析与小波分析、时间序列建模、算法交易、基于机器学习的交易、风险管理、衍生品定价等重要内容。 本书适合对R及其应用感兴趣的读者阅读，尤其适合想要在量化交易中使用R的读者学习。本书并不要求读者具备R编程的知识，但希望读者对数学分析有一些了解。

作者简介

Param Jeet从印度理工学院马德拉斯分校（IITM）获得数学博士学位。Param Jeet博士在多个靠前刊物上发表多篇数学方面的研究论文。过去几年，Param Jeet博士进入数据分析行业，并以数据科学家的身份为多家跨国公司工作或提供咨询服务。 Prashant Vats从印度理工学院获得数学硕士学位。Prashant进入数据分析行业已有10年时间，作为数据科学家供职于多家跨国公司，提供多领域的咨询服务。

目录

• 第 1章 R语言入门 1
• 1.1 为什么要用R 1
• 1.2 下载并安装R软件 2
• 1.3 安装R程序包 3
• 1.3.1 直接从CRAN安装 3
• 1.3.2 手动安装 4
• 1.4 数据类型 4
• 1.4.1 向量 5
• 1.4.2 列表 6
• 1.4.3 矩阵 7
• 1.4.4 数组 7
• 1.4.5 因子 7
• 1.4.6 数据框 8
• 1.5 导入和输出不同类型的数据 8
• 1.5.1 读取和存储CSV格式文档 9
• 1.5.2 XLSX文档 10
• 1.5.3 网络数据或在线数据资源 11
• 1.5.4 数据库 12
• 1.6 编写表达式 13
• 1.6.1 表达式 13
• 1.6.2 符号和赋值 15
• 1.6.3 关键词 15
• 1.6.4 变量命名 15
• 1.7 函数 16
• 1.7.1 调用函数（无需参数） 17
• 1.7.2 调用函数（需要参数） 17
• 1.8 如何执行R程序 18
• 1.8.1 在R代码窗中运行存盘的脚本文档 18
• 1.8.2 加载R脚本文档 18
• 1.9 循环与条件 19
• 1.9.1 if语句 19
• 1.9.2 if … else语句 20
• 1.9.3 for循环 20
• 1.9.4 while循环 21
• 1.9.5 apply()函数 21
• 1.9.6 sapply()函数 21
• 1.10 循环控制语句 22
• 1.10.1 break语句 22
• 1.10.2 next语句 22
• 1.11 问题 23
• 1.12 小结 23
• 第 2章 统计建模 25
• 2.1 概率分布 25
• 2.1.1 正态分布 26
• 2.1.2 对数正态分布 28
• 2.1.3 泊松分布 30
• 2.1.4 均匀分布 31
• 2.1.5 极值理论 31
• 2.2 抽样 33
• 2.2.1 随机抽样 33
• 2.2.2 分层抽样 35
• 2.3 统计量 36
• 2.3.1 均值 36
• 2.3.2 中位数 36
• 2.3.3 众数 36
• 2.3.4 概览 37
• 2.3.5 矩 37
• 2.3.6 峰度 37
• 2.3.7 偏度 38
• 2.4 相关性 38
• 2.4.1 自相关性 38
• 2.4.2 偏自相关性 39
• 2.4.3 交叉相关性 40
• 2.5 假设检验 40
• 2.5.1 总体均值的下侧单尾检验（方差已知） 40
• 2.5.2 总体均值的上侧单尾检验（方差已知） 41
• 2.5.3 总体均值的双尾检验（方差已知） 42
• 2.5.4 总体均值的下侧单尾检验（方差未知） 43
• 2.5.5 总体均值的上侧单尾检验（方差未知） 44
• 2.5.6 总体均值的双尾检验（方差未知） 44
• 2.6 参数估计 45
• 2.6.1 极大似然估计 45
• 2.6.2 线性模型 47
• 2.7 异常值侦测 48
• 2.7.1 箱形图 48
• 2.7.2 LOF算法 48
• 2.8 标准化 49
• 2.9 归一化 50
• 2.10 问题 50
• 2.11 小结 51
• 第3章 计量分析与小波分析 52
• 3.1 简单线性回归 53
• 3.1.1 散点图 53
• 3.1.2 可决系数 55
• 3.1.3 显著性检验 55
• 3.1.4 置信区间 56
• 3.1.5 残差图 56
• 3.1.6 误差项正态分布 57
• 3.2 多元线性回归 58
• 3.2.1 可决系数 59
• 3.2.2 置信区间 60
• 3.2.3 多重共线性 60
• 3.3 ANOVA 60
• 3.4 特征选择 61
• 3.4.1 考察相关系数矩阵 62
• 3.4.2 逐步法变量选择 63
• 3.4.3 用分类技术进行变量选择 63
• 3.4.4 变量排序 64
• 3.5 小波分析 64
• 3.6 快速傅里叶变换 70
• 3.7 希尔伯特变换 71
• 3.8 问题 73
• 3.9 小结 74
• 第4章 时间序列建模 75
• 4.1 时间序列概述 76
• 4.2 将数据转化为时间序列 76
• 4.3 zoo包 78
• 4.3.1 构建zoo对象 78
• 4.3.2 用zoo包读入外部数据 79
• 4.3.3 zoo对象的优点 79
• 4.3.4 zoo对象的缺点 81
• 4.4 xts包 81
• 4.4.1 调用as.xts()构建xts对象 81
• 4.4.2 从头开始构建xts对象 82
• 4.5 线性过滤器 83
• 4.6 AR模型 84
• 4.7 MA模型 85
• 4.8 ARIMA模型 86
• 4.9 GARCH模型 90
• 4.10 EGARCH模型 91
• 4.11 VGARCH模型 92
• 4.12 动态条件相关性模型 94
• 4.13 问题 96
• 4.14 小结 96
• 第5章 算法交易 97
• 5.1 动量或方向性交易 98
• 5.2 配对交易 106
• 5.2.1 基于距离的配对交易 106
• 5.2.2 基于相关性的配对交易 112
• 5.2.3 基于协整关系的配对交易 115
• 5.3 资本资产定价模型 118
• 5.4 多因子模型 120
• 5.5 构建投资组合 126
• 5.6 问题 130
• 5.7 小结 130
• 第6章 基于机器学习的交易 131
• 6.1 逻辑回归 132
• 6.2 神经网络 138
• 6.3 深度神经网络 146
• 6.4 K均值算法 148
• 6.5 K近邻法 151
• 6.6 支持向量机 154
• 6.7 决策树 156
• 6.8 随机森林 157
• 6.9 问题 160
• 6.10 小结 161
• 第7章 风险管理 162
• 7.1 市场风险 162
• 7.2 投资组合风险 164
• 7.3 风险值 167
• 7.3.1 参数VaR 167
• 7.3.2 历史VaR 168
• 7.4 蒙特卡罗模拟 170
• 7.5 风险对冲 171
• 7.6 巴塞尔监管 172
• 7.7 信用风险 173
• 7.8 欺诈识别 177
• 7.9 负债管理 180
• 7.10 问题 180
• 7.11 小结 181
• 第8章 *优化 182
• 8.1 动态再平衡 182
• 8.2 前行测试 185
• 8.3 网格测试 185
• 8.4 遗传算法 188
• 8.5 问题 192
• 8.6 小结 192
• 第9章 衍生品定价 193
• 9.1 期权定价 193
• 9.1.1 Black-Scholes模型 194
• 9.1.2 Cox-Ross-Rubinstein模型 195
• 9.1.3 希腊字母 198
• 9.2 隐含波动率 200
• 9.3 *定价 201
• 9.4 信用利差 204
• 9.5 信用违约互换 207
• 9.6 利率衍生品 208
• 9.7 奇异期权 209
• 9.8 问题 213
• 9.9 小结 213