第1章 基礎(chǔ)知識與量化金融概述001 1.1 引言：量化金融與算法交易簡介001 1.1.1 量化金融及其發(fā)展歷史002 1.1.2 當(dāng)代量化金融004 1.1.3 算法交易概述005 1.1.4 高頻交易概述007 1.1.5 算法交易與高頻交易的區(qū)別008 1.2 Python編程基礎(chǔ)008 1.2.1 Python的優(yōu)點(diǎn)009 1.2.2 Python在量化金融和算法交易中的應(yīng)用初覽009 1.2.3 Anaconda的安裝010 1.2.4 Python代碼示例012 1.3 ChatGPT簡介及原理013 1.3.1 ChatGPT簡介013 1.3.2 ChatGPT原理014 1.4 生成式AI在量化金融領(lǐng)域中的應(yīng)用015 第2章 金融數(shù)據(jù)處理與分析017 2.1 數(shù)據(jù)來源：金融數(shù)據(jù)APIs及其供應(yīng)商017 2.1.1 數(shù)據(jù)來源的復(fù)雜程度018 2.1.2 為什么要鏈接API018 2.1.3 數(shù)據(jù)供應(yīng)商的對比019 2.2 使用ChatGPT鏈接金融APIs021 2.2.1 報(bào)錯(cuò)分析023 2.2.2 使用第三方庫：yfinance026 2.2.3 使用第三方庫：yahoofinancials027 2.2.4 其他第三方庫029 2.3 數(shù)據(jù)處理：使用Python分析金融數(shù)據(jù)029 2.3.1 重新采樣033 2.3.2 滾動(dòng)統(tǒng)計(jì)034 2.4 數(shù)據(jù)可視化：使用Matplotlib等工具038 2.5 實(shí)例：財(cái)務(wù)報(bào)表指標(biāo)獲取及分析042 2.5.1 獲取特斯拉的年度財(cái)務(wù)數(shù)據(jù)044 2.5.2 計(jì)算所需的財(cái)務(wù)指標(biāo)047 2.5.3 該財(cái)務(wù)指標(biāo)（凈利潤率）可視化047 2.5.4 該財(cái)務(wù)指標(biāo)（凈利潤率）的趨勢分析048 第3章 量化策略與模型053 3.1 統(tǒng)計(jì)學(xué)與金融：常見統(tǒng)計(jì)模型與方法053 3.1.1 描述性統(tǒng)計(jì)054 3.1.2 概率分布058 3.1.3 假設(shè)檢驗(yàn)062 3.1.4 時(shí)間序列分析065 3.2 技術(shù)分析：指標(biāo)與策略068 3.2.1 圖表模式068 3.2.2 趨勢線073 3.2.3 技術(shù)指標(biāo)075 3.2.4 交易策略與回測083 3.3 基本面分析：選股策略與價(jià)值投資086 3.4 賣方策略：衍生品定價(jià)與風(fēng)險(xiǎn)管理092 3.4.1 衍生品概述093 3.4.2 衍生品定價(jià)095 3.4.3 Black-Scholes模型096 3.4.4 Put-Call Parity的基本期權(quán)理論099 3.4.5 風(fēng)險(xiǎn)管理——Greeks100 3.5 機(jī)器學(xué)習(xí)與金融：回歸模型、分類器等106 3.5.1 機(jī)器學(xué)習(xí)概述106 3.5.2 回歸模型107 3.5.3 分類器113 3.5.4 機(jī)器學(xué)習(xí)在金融領(lǐng)域中的挑戰(zhàn)117 3.6 深度學(xué)習(xí)與金融：神經(jīng)網(wǎng)絡(luò)、LSTM、CNN等118 3.6.1 神經(jīng)網(wǎng)絡(luò)118 3.6.2 長短期記憶網(wǎng)絡(luò)124 3.6.3 卷積神經(jīng)網(wǎng)絡(luò)128 3.6.4 深度學(xué)習(xí)在金融領(lǐng)域中的挑戰(zhàn)132 3.7 自然語言處理：利用Transformer結(jié)構(gòu)分析市場情緒134 3.8 實(shí)例操作：使用ChatGPT的金融相關(guān)插件144 3.8.1 ChatGPT插件及安裝144 3.8.2 PortfolioPilot插件147 第4章 算法交易與風(fēng)險(xiǎn)管理151 4.1 市場微觀結(jié)構(gòu)理解與應(yīng)用152 4.1.1 訂單簿的基本結(jié)構(gòu)與功能152 4.1.2 訂單類型與執(zhí)行機(jī)制154 4.1.3 市場碎片化問題的理解與應(yīng)對160 4.1.4 交易延遲與市場深度的影響161 4.1.5 臨時(shí)與永久的滑點(diǎn)162 4.1.6 訂單失衡163 4.2 交易策略開發(fā)：交易信號、執(zhí)行和管理166 4.2.1 基于連續(xù)時(shí)間馬爾科夫鏈的交易策略166 4.2.2 市價(jià)訂單的建模與應(yīng)用170 4.2.3 交易信號的生成與驗(yàn)證174 4.2.4 交易管理：訂單追蹤與調(diào)整174 4.3 訂單執(zhí)行：買方策略、賣方策略與做市策略175 4.3.1 買方策略的設(shè)計(jì)與實(shí)施（只有臨時(shí)滑點(diǎn)）176 4.3.2 賣方策略的設(shè)計(jì)與實(shí)施（臨時(shí)與永久滑點(diǎn)）179 4.3.3 做市策略的設(shè)計(jì)與實(shí)施183 4.4 風(fēng)險(xiǎn)管理：風(fēng)險(xiǎn)度量、預(yù)測與控制186 4.4.1 風(fēng)險(xiǎn)度量186 4.4.2 風(fēng)險(xiǎn)預(yù)測189 4.4.3 風(fēng)險(xiǎn)控制191 4.5 資金管理：投資組合優(yōu)化與資產(chǎn)配置192 4.5.1 投資組合優(yōu)化的理論與方法192 4.5.2 基于Transformer模型的資產(chǎn)配置的策略與實(shí)施196 4.5.3 使用GPT-4的代碼解釋器來解釋做市策略203 第5章 未來展望與挑戰(zhàn)209 5.1 探索多元化的大語言模型平臺209 5.1.1 科大訊飛——訊飛星火認(rèn)知大模型210 5.1.2 百度——文心一言大模型 214 5.1.3 智譜AI——智譜清言ChatGLM大模型220 5.1.4 百川智能——百川大模型225 5.2 量化金融與算法交易的發(fā)展趨勢230 5.2.1 量化金融與算法交易的新趨勢230 5.2.2 智能化金融服務(wù)的崛起232 5.3 機(jī)遇與挑戰(zhàn)：人工智能在金融領(lǐng)域中的雙刃劍效應(yīng)233 5.3.1 技術(shù)驅(qū)動(dòng)下的金融機(jī)遇233 5.3.2 在監(jiān)管環(huán)境中應(yīng)對挑戰(zhàn)233 5.4 前瞻：人工智能與金融領(lǐng)域的未來合作235 5.4.1 潛在的增長領(lǐng)域和創(chuàng)新點(diǎn)236 5.4.2 面向未來的策略和合作路徑237