機器交易：利用算法贏得市場先機（簡體書）

本書詳細闡述了與機器交易相關的基本解決方案，主要包括算法交易基礎、因子模型、時間序列分析、人工智能技術、期權策略、日內交易與市場微觀結構、比特幣、算法交易有益身心健康等內容。此外，本書還提供了相應的示例、代碼，以幫助讀者進一步理解相關方案的實現過程。 本書適合作為高等院校計算機及相關專業的教材和教學參考書，也可作為相關開發人員的自學教材和參考手冊。

目 錄

第1章 算法交易基礎 1

1.1 歷史市場數據（Historical Market Data） 2

1.2 現場市場數據（Live Market Data） 4

1.3 回測與交易平臺（Backtesting and Trading Platforms） 5

1.4 經紀商（Brokers） 8

1.5 表現度量（Performance Metrics） 10

1.6 投資組合優化（Portfolio Optimization） 11

專欄1.1：淨收益與對數收益的均值 13

專欄1.2：採用二次規劃來計算效率限界 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 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 價外看跌期權減去平價看漲期權的隱含波動率 38

2.4.5 隱含市場波動性的每日變化量 39

2.5 空頭淨額（Short Interest） 39

2.6 流動性（Liquidity） 40

2.7 統計因子（Statistical Factors） 41

例2.5：使用PCA找到有預測性的統計因子 43

2.8 把所有因子彙集到一起 44

2.9 小結 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 狀態空間模型（State Space Models，SSM） 59

3.5 小結 67

3.6 練習 67

3.7 尾注 68

第4章 人工智能技術 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 神經網絡（Neural Network） 87

4.11 數據集成與標準化（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 96

4.14 練習 97

4.15 尾注 98

第5章 期權策略 99

5.1 交易不含期權的波動率（Trading Volatility without Options） 100

例5.1：比較SPY和VX的杠杆複合收益 101

5.2 預測波動率（Predicting Volatility） 105

例5.2：預測SPY的波動率 106

5.3 事件驅動策略（Event-Driven Strategies） 111

例5.3：做空原油期貨的期權跨式組合（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 129

5.8 練習 130

5.9 尾注 131

第6章 日內交易與市場微觀結構 133

6.1 降低延遲（Latency Reduction） 134

6.2 訂單類型和路由優化 136

6.2.1 增加流動性（Adding Liquidity） 136

專欄6.1：為什麼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 日內策略回測（Backtesting Intraday Strategies） 148

例6.2：使用ITCH消息來構造BBO 149

專欄6.2：當心低頻數據（Beware of Low Frequency Data） 152

專欄6.3：跨期報價數據（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 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（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 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（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 189

8.7 尾注 190

參考文獻 191