量化投資

前言

　　連續(xù)20年，每年賺60%，從來沒有出現(xiàn)過虧損！　　這是量化投資大師西蒙斯教授給出的戰(zhàn)績，這個(gè)成績將巴菲特和索羅斯遠(yuǎn)遠(yuǎn)地拋在身后，這已經(jīng)成為華爾街頂尖對沖基金經(jīng)理眼中的神話，一個(gè)讓人瞠乎絕塵的神話！　　量化投資是最近十年來在國際投資界興起的一個(gè)新方法，發(fā)展勢頭迅猛，和基本面分析、技術(shù)面分析并稱為三大主流方法。基本面分析和技術(shù)面分析可以看做是傳統(tǒng)的證券分析理論，而量化投資則是結(jié)合了現(xiàn)代數(shù)學(xué)理論和金融數(shù)據(jù)的一種全新的分析方式，是現(xiàn)代化的證券分析方法。　　和傳統(tǒng)的基本面分析和技術(shù)面分析比較起來，量化投資最大的特點(diǎn)就是定量化和精確化。　　采用傳統(tǒng)分析方法取得良好業(yè)績的投資者首推巴菲特，連續(xù)40年，每年可以獲得20%的復(fù)合穩(wěn)定收益。而量化投資大師西蒙斯則連續(xù)20年為投資者獲得超過35%的收益率，若包括業(yè)績提成在內(nèi)，則實(shí)際每年投資收益率超過60%，由此可見量化投資的巨大威力。　　2008年筆者去歐洲訪問研究，和德意志銀行、雷曼兄弟以及一家歐洲很大的對沖基金的研究員交流，2010年去香港和摩根斯坦利、美林證券以及野村證券的投資經(jīng)理交流。給我最大的感受就是：這些國際頂級的投行在量化投資模型研究的深入與扎實(shí)。'一切用數(shù)據(jù)說話'，這是他們?nèi)魏瓮顿Y決策的基石?！　〔恢烙幸惶熘袊慕鹑谑袌鋈骈_放后，國內(nèi)的投資者能否抵擋華爾街金融大鱷們的沖擊。于是決定寫一本有關(guān)量化投資的書。　　當(dāng)開始動筆寫作本書時(shí)候，才發(fā)現(xiàn)這是一個(gè)極其艱難的工作。市面上沒有任何一本談?wù)摿炕顿Y策略的書籍可供參考，故事書倒有幾本，但關(guān)于策略的內(nèi)容少之又少，而有關(guān)量化投資的研究報(bào)告也散落在網(wǎng)絡(luò)的各個(gè)角落。經(jīng)過3個(gè)多月的精心篩選，精選出60多個(gè)精華策略，形成了本書的主要內(nèi)容。希望能起一個(gè)拋磚引玉的作用，讓更多的投資者采用這種先進(jìn)的分析方法，獲取更高和更穩(wěn)定的投資收益?！　”緯厣　〉谝?，實(shí)戰(zhàn)性。書中的案例絕大多數(shù)來自于實(shí)際的市場數(shù)據(jù)，只有很少一部分是純理論的分析。尤其是策略篇中的內(nèi)容大部分來自于專業(yè)投資機(jī)構(gòu)的研究報(bào)告，具有極強(qiáng)的實(shí)戰(zhàn)價(jià)值。　　第二，基于中國市場。與量化投資最接近的書籍當(dāng)屬“金融工程”，但目前金融工程中絕大多數(shù)的案例都來自于國外市場，很多策略在國內(nèi)市場還不具備投資條件。本書中的案例基本上都是對國內(nèi)市場（股票、期貨等）中的實(shí)際交易數(shù)據(jù)的分析，特別適合國內(nèi)的投資者?！　〉谌碚撔?。量化投資離不開最新的數(shù)學(xué)和計(jì)算機(jī)理論的支持，本書用了將近一半的篇幅來闡述與量化投資有關(guān)的基礎(chǔ)理論，并用了很多案例來說明這些理論的應(yīng)用方法。避免了一般投資策略書籍重技術(shù)而忽視理論的缺點(diǎn)，從而使量化投資更加科學(xué)化?！　”緯饕獌?nèi)容　　本書的內(nèi)容分為：策略篇和理論篇。策略篇中闡述了各種量化投資的策略與方法，理論篇則詳細(xì)介紹了支持量化投資的各種數(shù)學(xué)工具?！　〔呗云还步榻B了8個(gè)方面的投資策略，分別是量化選股、量化擇時(shí)、股指期貨套利、商品期貨套利、統(tǒng)計(jì)套利、期權(quán)套利、算法交易及其他策略。

內(nèi)容概要

　　《量化投資：策略與技術(shù)（修訂版）》是國內(nèi)第一本有關(guān)量化投資策略的著作，首先介紹了量化投資大師西蒙斯的傳奇故事（連續(xù)20年，每年賺60%）；然后用60多個(gè)案例介紹了量化投資的各個(gè)方面的內(nèi)容，主要分為策略篇與理論篇兩部分，策略篇主要包括：量化選股、量化擇時(shí)、股指期貨套利、商品期貨套利、統(tǒng)計(jì)套利、期權(quán)套利、算法交易和資產(chǎn)配置等。理論篇主要包括：人工智能、數(shù)據(jù)挖掘、小波分析、支持向量機(jī)、分形理論、隨機(jī)過程及IT技術(shù)等；最后介紹了作者開發(fā)的D-Alpha量化對沖交易系統(tǒng)，該系統(tǒng)全球市場驗(yàn)證顯示具有長期穩(wěn)健的收益率。
　　本書適合基金經(jīng)理、產(chǎn)品經(jīng)理、證券分析師、投資總監(jiān)及有志于從事金融投資的各界人士閱讀。

作者簡介

丁鵬，中國量化投資研究的先行者，他開發(fā)的D-Alpha量化對沖交易系統(tǒng)，實(shí)戰(zhàn)中獲得持續(xù)穩(wěn)健的收益率。
    畢業(yè)于上海交通大學(xué)計(jì)算機(jī)系獲得工學(xué)博士學(xué)位，是國際知名的人工智能研究員，美國電子電氣工程師學(xué)會(IEEE)、美國金融學(xué)會(AFA)會員。
    2001年底進(jìn)入上海交通大學(xué)工作，在金融工程、金融數(shù)學(xué)領(lǐng)域深入研究多年，在國際頂級刊物和會議上發(fā)表過十余篇學(xué)術(shù)文章，獲得國家發(fā)明專利5項(xiàng)。
    2008年進(jìn)入東方證券股份有限公司工作，從事量化投資研究，在量化選股、量化擇時(shí)、統(tǒng)計(jì)套利、對沖交易等方面開發(fā)了多個(gè)策略模型，實(shí)戰(zhàn)中取得良好的業(yè)績效果。

書籍目錄

策略篇
第1章 量化投資概念
1.1 什么是量化投資
1.1.1 量化投資定義
1.1.2 量化投資理解誤區(qū)
1.2 量化投資與傳統(tǒng)投資比較
1.2.1 傳統(tǒng)投資策略的缺點(diǎn)
1.2.2 量化投資策略的優(yōu)勢
1.2.3 量化投資與傳統(tǒng)投資
策略的比較
1.3 量化投資歷史
1.3.1 量化投資理論發(fā)展
1.3.2 海外量化基金的
發(fā)展
1.3.3 量化投資在中國
1.4 量化投資主要內(nèi)容
1.5 量化投資主要方法
第2章 量化選股
2.1 多因子
2.1.1 基本概念
2.1.2 策略模型
2.1.3 實(shí)證案例：
多因子選股模型
2.2 風(fēng)格輪動
2.2.1 基本概念
2.2.2 盈利預(yù)期生命周期模型
2.2.3 策略模型
2.2.4 實(shí)證案例：中信標(biāo)普風(fēng)格
2.2.5 實(shí)證案例：大小盤風(fēng)格
2.3 行業(yè)輪動
2.3.1 基本概念
2.3.2 M2行業(yè)輪動策略
2.3.3 市場情緒輪動策略
2.4 資金流
2.4.1 基本概念
2.4.2 策略模型
2.4.3 實(shí)證案例：資金流選股策略
2.5 動量反轉(zhuǎn)
2.5.1 基本概念
2.5.2 策略模型
2.5.3 實(shí)證案例：動量選股策略和反轉(zhuǎn)選股策略
2.6 一致預(yù)期
2.6.1 基本概念
2.6.2 策略模型
2.6.3 實(shí)證案例：一致預(yù)期模型案例
2.7 趨勢追蹤
2.7.1 基本概念
2.7.2 策略模型
2.7.3 實(shí)證案例：趨勢追蹤選股模型
2.8 籌碼選股
2.8.1 基本概念
2.8.2 策略模型
2.8.3 實(shí)證案例：籌碼選股模型
2.9 業(yè)績評價(jià)
2.9.1 收益率指標(biāo)
2.9.2 風(fēng)險(xiǎn)度指標(biāo)
第3章 量化擇時(shí)
3.1 趨勢追蹤
3.1.1 基本概念
3.1.2 傳統(tǒng)趨勢指標(biāo)
3.1.3 自適應(yīng)均線
3.2 市場情緒
3.2.1 基本概念
3.2.2 情緒指數(shù)
3.2.3 實(shí)證案例：情緒指標(biāo)擇時(shí)策略
3.3 時(shí)變夏普率
3.3.1 Tsharp值的估計(jì)模型
3.3.2 基于Tsharp值的擇時(shí)策略
3.3.3 實(shí)證案例
3.4 牛熊線
3.4.1 基本概念
3.4.2 策略模型
3.4.3 實(shí)證案例：牛熊線擇時(shí)模型
3.5 Husrt指數(shù)
3.5.1 基本概念
3.5.2 策略模型
3.5.3 實(shí)證案例
3.6 支持向量機(jī)
3.6.1 基本概念
3.6.2 策略模型
3.6.3 實(shí)證案例：SVM擇時(shí)模型
3.7 SWARCH模型
3.7.1 基本概念
3.7.2 策略模型
3.7.3 實(shí)證案例：SWARCH模型
3.8 異常指標(biāo)
3.8.1 市場噪聲
3.8.2 行業(yè)集中度
3.8.3 興登堡兇兆
第4章 股指期貨套利
4.1 基本概念
4.1.1 套利介紹
4.1.2 套利策略
4.2 期現(xiàn)套利
4.2.1 定價(jià)模型
4.2.2 現(xiàn)貨指數(shù)復(fù)制
4.2.3 正向套利案例
4.2.4 結(jié)算日套利
4.3 跨期套利
4.3.1 跨期套利原理
4.3.2 無套利區(qū)間
4.3.3 跨期套利觸發(fā)和終止
4.3.4 實(shí)證案例：跨期套利策略
4.3.5 主要套利機(jī)會
4.4 沖擊成本
4.4.1 主要指標(biāo)
4.4.2 實(shí)證案例：沖擊成本
4.5 保證金管理
4.5.1 VaR方法
4.5.2 VaR計(jì)算方法
4.5.3 實(shí)證案例
第5章 商品期貨套利
5.1 基本概念
5.1.1 套利的條件
5.1.2 套利基本模式
5.1.3 套利準(zhǔn)備工作
5.1.4 常見套利組合
5.2 期現(xiàn)套利
5.2.1 基本原理
5.2.2 操作流程
5.2.3 增值稅風(fēng)險(xiǎn)
5.3 跨期套利
5.3.1 套利策略
5.3.2 實(shí)證案例：PVC跨期套利策略
5.4 跨市場套利
5.4.1 套利策略
5.4.2 實(shí)證案例：倫銅-滬銅跨市場套利
5.5 跨品種套利
5.5.1 套利策略
5.5.2 實(shí)證案例
5.6 非常狀態(tài)處理
第6章 統(tǒng)計(jì)套利
6.1 基本概念
6.1.1 統(tǒng)計(jì)套利定義
6.1.2 配對交易
6.2 配對交易策略
6.2.1 協(xié)整策略
6.2.2 主成分策略
6.2.3 行業(yè)（股票）輪動套利策略
6.2.4 配對策略改進(jìn)
6.3 股指套利
6.3.1 行業(yè)指數(shù)套利
6.3.2 國家指數(shù)套利
6.3.3 洲域指數(shù)套利
6.3.4 全球指數(shù)套利
6.4 融券套利
6.4.1 股票-融券套利
6.4.2 可轉(zhuǎn)債-融券套利
6.4.3 股指期貨-融券套利
6.4.4 封閉式基金-融券套利
6.5 外匯套利
6.5.1 利差套利
6.5.2 貨幣對套利
第7章 期權(quán)套利
7.1 基本概念
7.1.1 期權(quán)介紹
7.1.2 期權(quán)交易
7.1.3 牛熊證
7.2 股票/期權(quán)套利
7.2.1 股票-股票期權(quán)套利
7.2.2 股票-指數(shù)期權(quán)套利
7.3 轉(zhuǎn)換套利與反向轉(zhuǎn)換套利
7.3.1 轉(zhuǎn)換套利
7.3.2 反向轉(zhuǎn)換套利
7.4 跨式套利
7.4.1 買入跨式套利
7.4.2 賣出跨式套利
7.5 寬跨式套利
7.5.1 買入寬跨式套利
7.5.2 賣出寬跨式套利
7.6 蝶式套利
7.6.1 買入蝶式套利
7.6.2 賣出蝶式套利
7.7 飛鷹式套利
7.7.1 買入飛鷹式套利
7.7.2 賣出飛鷹式套利
第8章 算法交易
8.1 基本概念
8.1.1 算法交易定義
8.1.2 算法交易分類
8.1.3 算法交易設(shè)計(jì)
8.2 被動交易算法
8.2.1 沖擊成本
8.2.2 等待風(fēng)險(xiǎn)
8.2.3 常用被動型交易策略
8.3 VWAP算法
8.3.1 標(biāo)準(zhǔn)VWAP算法
8.3.2 改進(jìn)型VWAP算法
第9章 另類套利策略
9.1 封閉式基金套利
9.1.1 基本概念
9.1.2 模型策略
9.1.3 實(shí)證案例
9.2 ETF套利
9.2.1 基本概念
9.2.2 無風(fēng)險(xiǎn)套利
9.2.3 其他套利
9.3 LOF套利
9.3.1 基本概念
9.3.2 模型策略
9.3.3 實(shí)證案例：LOF套利
9.4 高頻交易
9.4.1 流動性回扣交易
9.4.2 獵物算法交易
9.4.3 自動做市商策略
9.4.4 高頻交易的發(fā)展
理論篇
第10章 人工智能
10.1 主要內(nèi)容
10.1.1 機(jī)器學(xué)習(xí)
10.1.2 自動推理
10.1.3 專家系統(tǒng)
10.1.4 模式識別
10.1.5 人工神經(jīng)網(wǎng)絡(luò)
10.1.6 遺傳算法
10.2 人工智能在量化投資中的應(yīng)用
10.2.1 模式識別短線擇時(shí)
10.2.2 RBF神經(jīng)網(wǎng)絡(luò)股價(jià)預(yù)測
10.2.3 基于遺傳算法新股預(yù)測
第11章 數(shù)據(jù)挖掘
11.1 基本概念
11.1.1 主要模型
11.1.2 典型方法
11.2 主要內(nèi)容
11.2.1 分類與預(yù)測
11.2.2 關(guān)聯(lián)規(guī)則
11.2.3 聚類分析
11.3 數(shù)據(jù)挖掘在量化投資中的應(yīng)用
11.3.1 基于SOM.網(wǎng)絡(luò)的股票聚類分析方法
11.3.2 基于關(guān)聯(lián)規(guī)則的板塊輪動
第12章 小波分析
12.1 基本概念
12.2 小波變換主要內(nèi)容
12.2.1 連續(xù)小波變換
12.2.2 連續(xù)小波變換的離散化
12.2.3 多分辨分析與Mallat算法
12.3 小波分析在量化投資中的應(yīng)用
12.3.1 K線小波去噪
12.3.2 金融時(shí)序數(shù)據(jù)預(yù)測
第13章 支持向量機(jī)
13.1 基本概念
13.1.1 線性SVM
13.1.2 非線性SVM
13.1.3 SVM分類器參數(shù)選擇
13.1.4 SVM分類器從二類到多類的推廣
13.2 模糊支持向量機(jī)
13.2.1 增加模糊后處理的SVM
13.2.2 引入模糊因子的SVM訓(xùn)練算法
13.3 SVM在量化投資中的應(yīng)用
13.3.1 復(fù)雜金融時(shí)序數(shù)據(jù)預(yù)測
13.3.2 趨勢拐點(diǎn)預(yù)測
第14章 分形理論
14.1 基本概念
14.1.1 分形定義
14.1.2 幾種典型的分形
14.1.3 分形理論的應(yīng)用
14.2 主要內(nèi)容
14.2.1 分形維數(shù)
14.2.2 L系統(tǒng)
14.2.3 IFS系統(tǒng)
14.3 分形理論在量化投資中的應(yīng)用
14.3.1 大趨勢預(yù)測
14.3.2 匯率預(yù)測
第15章 隨機(jī)過程
15.1 基本概念
15.2 主要內(nèi)容
15.2.1 隨機(jī)過程的分布函數(shù)
15.2.2 隨機(jī)過程的數(shù)字特征
15.2.3 幾種常見的隨機(jī)過程
15.2.4 平穩(wěn)隨機(jī)過程
15.3 灰色馬爾可夫鏈股市預(yù)測
第16章 IT技術(shù)
16.1 數(shù)據(jù)倉庫技術(shù)
16.1.1 從數(shù)據(jù)庫到數(shù)據(jù)倉庫
16.1.2 數(shù)據(jù)倉庫中的數(shù)據(jù)組織
16.1.3 數(shù)據(jù)倉庫的關(guān)鍵技術(shù)
16.2 編程語言
16.2.1 GPU算法交易
16.2.2 MATLAB語言
16.2.3 C#語言
第17章 主要數(shù)據(jù)與工具
17.1 名策數(shù)據(jù)：多因子分析平臺
17.2 Multicharts：程序化交易平臺
17.3 交易開拓者：期貨自動交易平臺
17.4 大連交易所套利指令
17.5 MT5：外匯自動交易平臺
第18章 對沖交易系統(tǒng)：D-Alpha
18.1 系統(tǒng)架構(gòu)
18.2 策略分析流程
18.3 核心算法
18.4 驗(yàn)證結(jié)果
參考文獻(xiàn)
表目錄
表1.1 不同投資策略對比
表2.1 多因子選股模型候選因子
表2.2 多因子模型候選因子初步檢驗(yàn)
表2.3 多因子模型中通過檢驗(yàn)的有效因子
表2.4 多因子模型中剔除冗余后的因子
表2.5 多因子模型組合分段收益率
表2.6 晨星市場風(fēng)格判別法
表2.7 夏普收益率基礎(chǔ)投資風(fēng)格鑒別
表2.8 中信標(biāo)普風(fēng)格指數(shù)
表2.9 風(fēng)格動量策略組合月均收益率
表2.10 大小盤風(fēng)格輪動策略月收益率均值
表2.11 中國貨幣周期分段（2007-2011年）
表2.12 滬深300行業(yè)指數(shù)統(tǒng)計(jì)
表2.13 不同貨幣階段不同行業(yè)的收益率
表2.14 招商資金流模型（CMSMF）計(jì)算方法
表2.15 招商資金流模型（CMSMF）選股指標(biāo)定義
表2.16 資金流模型策略--滬深300
表2.17 資金流模型策略--全市場
表2.18 動量組合相對基準(zhǔn)的平均年化超額收益（部分）
表2.19 反轉(zhuǎn)組合相對基準(zhǔn)的平均年化超額收益（部分）
表2.20 動量策略風(fēng)險(xiǎn)收益率分析
表2.21 反轉(zhuǎn)策略風(fēng)險(xiǎn)收益率分析
表2.22 趨勢追蹤技術(shù)收益率
表2.23 籌碼選股模型中單個(gè)指標(biāo)的收益率情況對比
表3.1 MA.指標(biāo)擇時(shí)測試最好的20組參數(shù)及其表現(xiàn)
表3.2 4個(gè)趨勢型指標(biāo)最優(yōu)參數(shù)下的獨(dú)立擇時(shí)交易表現(xiàn)比較
表3.3 有交易成本情況下不同信號個(gè)數(shù)下的綜合擇時(shí)策略
表3.4 自適應(yīng)均線擇時(shí)策略收益率分析
表3.5 市場情緒類別
表3.6 滬深300指數(shù)在不同情緒區(qū)域的當(dāng)月收益率比較
表3.7 滬深300指數(shù)在不同情緒變化區(qū)域的當(dāng)月收益率比較
表3.8 滬深300指數(shù)在不同情緒區(qū)域的次月收益率比較
表3.9 滬深300指數(shù)在不同情緒變化區(qū)域的次月收益率比較
表3.10 情緒指數(shù)擇時(shí)收益率統(tǒng)計(jì)
表3-11 月度Tsharp擇時(shí)模型統(tǒng)計(jì)結(jié)果
表3-12 預(yù)測Tsharp值（月度）對上證綜指的預(yù)測作用
表3-13 季度Tsharp擇時(shí)模型統(tǒng)計(jì)結(jié)果
表3-14 預(yù)測Tsharp值（季度）對上證綜指的預(yù)測作用
表3-15 SVM擇時(shí)模型的指標(biāo)
表3-16 SVM模型樣本外預(yù)測多空次數(shù)
表3-17 SVM模型樣本外預(yù)測準(zhǔn)確率
表3-18 SVM模型趨勢交易策略評估
表3.19 噪聲交易在熊市擇時(shí)的收益率
表4.1 各種方法在不同股票數(shù)量下的跟蹤誤差（年化）
表4-2 股指期貨多頭跨期套利過程分析
表4.3 不同開倉比例下的不同保證金水平能夠覆蓋的市場波動及其概率
表4.4 不同倉單持有期下的保證金覆蓋比例
表6.1 2011年滬深300股票同一行業(yè)走勢高度相關(guān)的組合（部分）
表6.2 殘差的平穩(wěn)性、自相關(guān)等檢驗(yàn)
表6.3 在不同的閾值下建倉、平倉所能獲得的平均收益
表6.4 采用不同的模型在樣本內(nèi)獲取的收益率及最優(yōu)閾值
表6.5 采用不同的模型、不同的外推方法在樣本外獲取的收益率（%）
表6.6 主成分配對交易在樣本內(nèi)取得的收益率及最優(yōu)閾值
表6.7 主成分配對交易在樣本外的效果
表6.8 標(biāo)準(zhǔn)策略、延后開倉、提前平倉策略實(shí)證結(jié)果
表7.1 多頭股票-期權(quán)套利綜合分析表
表7.2 多頭股票-股票期權(quán)套利案例損益分析表
表7.3 多頭股票-指數(shù)期權(quán)套利案例損益分析表
表7.4 轉(zhuǎn)換套利分析過程
表7.5 買入跨式套利綜合分析表
表7.6 買入跨式套利交易細(xì)節(jié)
表7.7 賣出跨式套利綜合分析表
表7.8 賣出跨式套利交易細(xì)節(jié)
表7.9 買入寬跨式套利綜合分析表
表7.10 賣出寬跨式套利綜合分析表
表7.11 買入蝶式套利綜合分析表
表7.12 賣出蝶式套利綜合分析表
表7.13 買入飛鷹套利綜合分析表
表7.14 賣出飛鷹式套利綜合分析表
表9.1 鵬華300.LOF兩次正向套利的情況
表9.2 鵬華300.LOF兩次反向套利的情況
表10.1 自動推理中連詞系統(tǒng)
表10.2 模式識別短線擇時(shí)樣本數(shù)據(jù)分類
表10.3 RBF神經(jīng)網(wǎng)絡(luò)股價(jià)預(yù)測結(jié)果
表10.4 遺傳算法新股預(yù)測參數(shù)設(shè)置
表10.5 遺傳算法新股預(yù)測結(jié)果
表11.1 決策樹數(shù)據(jù)表
表11.2 關(guān)聯(lián)規(guī)則案例數(shù)據(jù)表
表11.3 SOM股票聚類分析結(jié)果
表11.4 21種股票板塊指數(shù)布爾關(guān)系表數(shù)據(jù)片斷
表12.1 深發(fā)展A日收盤價(jià)小波分析方法預(yù)測值與實(shí)際值比較
表12.2 不同分解層數(shù)的誤差均方根值
表13.1 SVM滬深300指數(shù)預(yù)測誤差情況
表13.2 SVM指數(shù)預(yù)測和神經(jīng)網(wǎng)絡(luò)預(yù)測的比較
表13.3 技術(shù)反轉(zhuǎn)點(diǎn)定義與圖型
表14.1 持續(xù)大漲前后分形各主要參數(shù)值
表14.2 持續(xù)大跌前后分形各主要參數(shù)值
表14.3 外匯R/.S.分析的各項(xiàng)指標(biāo)
表14.4 V（R/S）曲線回歸檢驗(yàn)
表15.1 灰色馬爾可夫鏈預(yù)測深證成指樣本內(nèi)（2005/1-2006/8）
表15.2 灰色馬爾可夫鏈預(yù)測深證成指樣本外（2006/9-2006/12）
表16-1 VaR算法GPU和CPU時(shí)間對比
表18-1 D-Alpha系統(tǒng)在全球市場收益率分析

圖書封面

圖書標(biāo)簽Tags

無

評論、評分、閱讀與下載

---

    量化投資 PDF格式下載

---