編輯推薦:　　

為讀者提供數(shù)據(jù)挖據(jù)技術(shù)與量化投資有機(jī)結(jié)合的方法，介紹具體技術(shù)在量化投資中的應(yīng)用。囊括算法與綜合應(yīng)用案列，操作性強(qiáng)!

內(nèi)容簡介:　　《量化投資：數(shù)據(jù)挖掘技術(shù)與實(shí)踐（MATLAB版）》內(nèi)容分為三篇。第一篇（基礎(chǔ)篇）主要介紹數(shù)據(jù)挖掘與量化投資的關(guān)系，以及數(shù)據(jù)挖掘的概念、實(shí)現(xiàn)過程、主要內(nèi)容、主要工具等內(nèi)容。第二篇（技術(shù)篇）系統(tǒng)介紹了數(shù)據(jù)挖掘的相關(guān)技術(shù)及這些技術(shù)在量化投資中的應(yīng)用，主要包括數(shù)據(jù)的準(zhǔn)備、數(shù)據(jù)的探索、關(guān)聯(lián)規(guī)則方法、數(shù)據(jù)回規(guī)方法、分類方法、聚類方法、預(yù)測(cè)方法、診斷方法、時(shí)間序列方法、智能優(yōu)化方法等內(nèi)容。第三篇（實(shí)踐篇）主要介紹數(shù)據(jù)挖掘技術(shù)在量化投資中的綜合應(yīng)用實(shí)例，包括統(tǒng)計(jì)套利策略的挖掘與優(yōu)化、配對(duì)交易策略的挖掘與實(shí)現(xiàn)、數(shù)據(jù)挖掘在股票程序化交易中的綜合應(yīng)用，以及基于數(shù)據(jù)挖掘技術(shù)的量化交易系統(tǒng)的構(gòu)建。

作者簡介:　　 卓金武，中國量化投資學(xué)會(huì)專家委員會(huì)成員，MathWorks中國區(qū)數(shù)據(jù)挖掘和量化投資總監(jiān)，主要職責(zé)是向中國區(qū)MATLAB正版用戶提供數(shù)據(jù)挖掘和量化投資解決方案。曾2次獲全國大學(xué)生數(shù)學(xué)建模競(jìng)賽一等獎(jiǎng) （2003， 2004），1次獲全國研究生數(shù)學(xué)建模競(jìng)賽一等獎(jiǎng) （2007）；已主編專著兩部:《MATLAB在數(shù)學(xué)建模中的應(yīng)用》（第一版和第二版）。
　　
　　 　　周英，現(xiàn)就職于某知名搜索引擎公司，主要從事移動(dòng)搜索引擎的研發(fā)，研究方向?yàn)榛ヂ?lián)網(wǎng)數(shù)據(jù)挖掘和互聯(lián)網(wǎng)金融。曾獲美國大學(xué)生數(shù)學(xué)建模競(jìng)賽二等獎(jiǎng)一項(xiàng)，全國研究生數(shù)學(xué)建模競(jìng)賽二等獎(jiǎng)一項(xiàng)。著有專著《大數(shù)據(jù)挖掘的技術(shù)與實(shí)踐》。

目錄:第一篇 基礎(chǔ)篇
第1章 緒論
1.1 量化投資與數(shù)據(jù)挖掘的關(guān)系
1.1.1 什么是量化投資
1.1.2 量化投資的特點(diǎn)
1.1.3 量化投資的核心?D?D量化模型
1.1.4 量化模型的主要產(chǎn)生方法?D?D數(shù)據(jù)挖掘
1.2 數(shù)據(jù)挖掘的概念和原理
1.2.1 什么是數(shù)據(jù)挖掘
1.2.2 數(shù)據(jù)挖掘的原理
1.3 數(shù)據(jù)挖掘在量化投資中的應(yīng)用
1.3.1 宏觀經(jīng)濟(jì)分析
1.3.2 估價(jià)
1.3.3 量化選股
1.3.4 量化擇時(shí)
1.3.5 算法交易
1.4 本章小結(jié)
參考文獻(xiàn)
第2章 數(shù)據(jù)挖掘的內(nèi)容、過程及工具
2.1 數(shù)據(jù)挖掘的內(nèi)容
2.1.1 關(guān)聯(lián)
2.1.2 回歸
2.1.3 分類
2.1.4 聚類
2.1.5 預(yù)測(cè)
2.1.6 診斷
2.2 數(shù)據(jù)挖據(jù)過程
2.2.1 數(shù)據(jù)挖掘過程概述
2.2.2 挖掘目標(biāo)的定義
2.2.3 數(shù)據(jù)的準(zhǔn)備
2.2.4 數(shù)據(jù)的探索
2.2.5 模型的建立
2.2.6 模型的評(píng)估
2.2.7 模型的部署
2.3 數(shù)據(jù)挖掘工具
2.3.1 MATLAB
2.3.2 SAS
2.3.3 SPSS
2.3.4 WEKA
2.3.5 R
2.3.6 工具的比較與選擇
2.4 本章小結(jié)
參考文獻(xiàn)

第二篇 技術(shù)篇
第3章 數(shù)據(jù)的準(zhǔn)備
3.1 數(shù)據(jù)的收集
3.1.1 認(rèn)識(shí)數(shù)據(jù)
3.1.2 數(shù)據(jù)挖掘的數(shù)據(jù)源
3.1.3 數(shù)據(jù)抽樣
3.1.4 量化投資的數(shù)據(jù)源
3.1.5 從雅虎獲取交易數(shù)據(jù)
3.1.6 從大智慧獲取財(cái)務(wù)數(shù)據(jù)
3.1.7 從Wind獲取高質(zhì)量數(shù)據(jù)
3.2 數(shù)據(jù)質(zhì)量分析
3.2.1 數(shù)據(jù)質(zhì)量分析的必要性
3.2.2 數(shù)據(jù)質(zhì)量分析的目的
3.2.3 數(shù)據(jù)質(zhì)量分析的內(nèi)容
3.2.4 數(shù)據(jù)質(zhì)量分析的方法
3.2.5 數(shù)據(jù)質(zhì)量分析的結(jié)果及應(yīng)用
3.3 數(shù)據(jù)預(yù)處理
3.3.1 為什么需要數(shù)據(jù)預(yù)處理
3.3.2 數(shù)據(jù)預(yù)處理的主要任務(wù)
3.3.3 數(shù)據(jù)清洗
3.3.4 數(shù)據(jù)集成
3.3.5 數(shù)據(jù)歸約
3.3.6 數(shù)據(jù)變換
3.4 本章小結(jié)
參考文獻(xiàn)
第4章 數(shù)據(jù)的探索
4.1 衍生變量
4.1.1 衍生變量的定義
4.1.2 變量衍生的原則和方法
4.1.3 常用的股票衍生變量
4.1.4 評(píng)價(jià)型衍生變量
4.1.5 衍生變量數(shù)據(jù)收集與集成
4.2 數(shù)據(jù)的統(tǒng)計(jì)
4.2.1 基本描述性統(tǒng)計(jì)
4.2.2 分布描述性統(tǒng)計(jì)
4.3 數(shù)據(jù)可視化
4.3.1 基本可視化方法
4.3.2 數(shù)據(jù)分布形狀可視化
4.3.3 數(shù)據(jù)關(guān)聯(lián)情況可視化
4.3.4 數(shù)據(jù)分組可視化
4.4 樣本選擇
4.4.1 樣本選擇的方法
4.4.2 樣本選擇應(yīng)用實(shí)例
4.5 數(shù)據(jù)降維
4.5.1 主成分分析（PCA）基本原理
4.5.2 PCA應(yīng)用案例：企業(yè)綜合實(shí)力排序
4.5.3 相關(guān)系數(shù)降維
4.6 本章小結(jié)
參考文獻(xiàn)
第5章 關(guān)聯(lián)規(guī)則方法
5.1 關(guān)聯(lián)規(guī)則概要
5.1.1 關(guān)聯(lián)規(guī)則提出背景
5.1.2 關(guān)聯(lián)規(guī)則的基本概念
5.1.3 關(guān)聯(lián)規(guī)則的分類
5.1.4 關(guān)聯(lián)規(guī)則挖掘常用算法
5.2 Apriori算法
5.2.1 Apriori算法的基本思想
5.2.2 Apriori算法的步驟
5.2.3 Apriori算法的實(shí)例
5.2.4 Apriori算法的程序?qū)崿F(xiàn)
5.2.5 Apriori算法的優(yōu)缺點(diǎn)
5.3 FP-Growth算法
5.3.1 FP-Growth算法步驟
5.3.2 FP-Growth算法實(shí)例
5.3.3 FP-Growth算法的優(yōu)缺點(diǎn)
5.4 應(yīng)用實(shí)例：行業(yè)關(guān)聯(lián)選股法
5.5 本章小結(jié)
參考文獻(xiàn)
第6章 數(shù)據(jù)回歸方法
6.1 一元回歸
6.1.1 一元線性回歸
6.1.2 一元非線性回歸
6.1.3 一元多項(xiàng)式回歸
6.2 多元回歸
6.2.1 多元線性回歸
6.2.2 多元多項(xiàng)式回歸
6.3 逐步歸回
6.3.1 逐步回歸的基本思想
6.3.2 逐步回歸步驟
6.3.3 逐步回歸的MATLAB方法
6.4 Logistic回歸
6.4.1 Logistic模型
6.4.2 Logistic回歸實(shí)例
6.5 應(yīng)用實(shí)例：多因子選股模型的實(shí)現(xiàn)
6.5.1 多因子模型的基本思想
6.5.2 多因子模型的實(shí)現(xiàn)
6.6 本章小結(jié)
參考文獻(xiàn)
第7章 分類方法
7.1 分類方法概要
7.1.1 分類的概念
7.1.2 分類的原理
7.1.3 常用的分類方法
7.2 K-近鄰（KNN）
7.2.1 K-近鄰原理
7.2.2 K-近鄰實(shí)例
7.2.3 K-近鄰特點(diǎn)
7.3 貝葉斯分類
7.3.1 貝葉斯分類原理
7.3.2 樸素貝葉斯分類原理
7.3.3 樸素貝葉斯分類實(shí)例
7.3.4 樸素貝葉斯特點(diǎn)
7.4 神經(jīng)網(wǎng)絡(luò)
7.4.1 神經(jīng)網(wǎng)絡(luò)的原理
7.4.2 神經(jīng)網(wǎng)絡(luò)的實(shí)例
7.4.3 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
7.5 邏輯斯蒂（Logistic）
7.5.1 邏輯斯蒂的原理
7.5.2 邏輯斯蒂的實(shí)例
7.5.3 邏輯斯蒂的特點(diǎn)
7.6 判別分析
7.6.1 判別分析的原理
7.6.2 判別分析的實(shí)例
7.6.3 判別分析的特點(diǎn)
7.7 支持向量機(jī)（SVM）
7.7.1 SVM的基本思想
7.7.2 理論基礎(chǔ)
7.7.3 支持向量機(jī)的實(shí)例
7.7.4 支持向量機(jī)的特點(diǎn)
7.8 決策樹
7.8.1 決策樹的基本概念
7.8.2 決策樹的建構(gòu)的步驟
7.8.3 決策樹的實(shí)例
7.8.4 決策樹的特點(diǎn)
7.9 分類的評(píng)判
7.9.1 正確率
7.9.2 ROC曲線
7.10 應(yīng)用實(shí)例：分類選股法
7.10.1 案例背景
7.10.2 實(shí)現(xiàn)方法
7.11 延伸閱讀：其他分類方法
7.12 本章小結(jié)
參考文獻(xiàn)
第8章 聚類方法
8.1 聚類方法概要
8.1.1 聚類的概念
8.1.2 類的度量方法
8.1.3 聚類方法的應(yīng)用場(chǎng)景
8.1.4 聚類方法的分類
8.2 K-means方法
8.2.1 K-means的原理和步驟
8.2.2 K-means實(shí)例1：自主編程
8.2.3 K-means實(shí)例2：集成函數(shù)
8.2.4 K-means的特點(diǎn)
8.3 層次聚類
8.3.1 層次聚類的原理和步驟
8.3.2 層次聚類的實(shí)例
8.3.3 層次聚類的特點(diǎn)
8.4 神經(jīng)網(wǎng)絡(luò)聚類
8.4.1 神經(jīng)網(wǎng)絡(luò)聚類的原理和步驟
8.4.2 神經(jīng)網(wǎng)絡(luò)聚類的實(shí)例
8.4.3 神經(jīng)網(wǎng)絡(luò)聚類的特點(diǎn)
8.5 模糊C-均值（FCM）方法
8.5.1 FCM的原理和步驟
8.5.2 FCM的應(yīng)用實(shí)例
8.5.3 FCM算法的特點(diǎn)
8.6 高斯混合聚類方法
8.6.1 高斯混合聚類的原理和步驟
8.6.2 高斯聚類的實(shí)例
8.6.3 高斯聚類的特點(diǎn)
8.7 類別數(shù)的確定方法
8.7.1 類別的原理
8.7.2 類別的實(shí)例
8.8 應(yīng)用實(shí)例：股票聚類分池
8.8.1 聚類目標(biāo)和數(shù)據(jù)描述
8.8.2 實(shí)現(xiàn)過程
8.8.3 結(jié)果及分析
8.9 延伸閱讀
8.9.1 目前聚類分析研究的主要內(nèi)容
8.9.2 SOM智能聚類算法
8.10 本章小結(jié)
參考文獻(xiàn)
第9章 預(yù)測(cè)方法
9.1 預(yù)測(cè)方法概要
9.1.1 預(yù)測(cè)的概念
9.1.2 預(yù)測(cè)的基本原理
9.1.3 量化投資中預(yù)測(cè)的主要內(nèi)容
9.1.4 預(yù)測(cè)的準(zhǔn)確度評(píng)價(jià)及影響因素
9.1.5 常用的預(yù)測(cè)方法
9.2 灰色預(yù)測(cè)
9.2.1 灰色預(yù)測(cè)原理
9.2.2 灰色預(yù)測(cè)的實(shí)例
9.3 馬爾科夫預(yù)測(cè)
9.3.1 馬爾科夫預(yù)測(cè)的原理
9.3.2 馬爾科夫過程的特性
9.3.3 馬爾科夫預(yù)測(cè)的實(shí)例
9.4 應(yīng)用實(shí)例：大盤走勢(shì)預(yù)測(cè)
9.4.1 數(shù)據(jù)的選取及模型的建立
9.4.2 預(yù)測(cè)過程
9.4.3 預(yù)測(cè)結(jié)果與分析
9.5 本章小結(jié)
參考文獻(xiàn)
第10章 診斷方法
10.1 離群點(diǎn)診斷概要
10.1.1 離群點(diǎn)診斷的定義
10.1.2 離群點(diǎn)診斷的作用
10.1.3 離群點(diǎn)診斷方法分類
10.2 基于統(tǒng)計(jì)的離群點(diǎn)診斷
10.2.1 理論基礎(chǔ)
10.2.2 應(yīng)用實(shí)例
10.2.3 優(yōu)點(diǎn)與缺點(diǎn)
10.3 基于距離的離群點(diǎn)診斷
10.3.1 理論基礎(chǔ)
10.3.2 應(yīng)用實(shí)例
10.3.3 優(yōu)點(diǎn)與缺點(diǎn)
10.4 基于密度的離群點(diǎn)挖掘
10.4.1 理論基礎(chǔ)
10.4.2 應(yīng)用實(shí)例
10.4.3 優(yōu)點(diǎn)與缺點(diǎn)
10.5 基于聚類的離群點(diǎn)挖掘
10.5.1 理論基礎(chǔ)
10.5.2 應(yīng)用實(shí)例
10.5.3 優(yōu)點(diǎn)與缺點(diǎn)
10.6 應(yīng)用實(shí)例：離群點(diǎn)診斷量化擇時(shí)
10.7 延伸閱讀：新興的離群點(diǎn)挖掘方法
10.7.1 基于關(guān)聯(lián)的離群點(diǎn)挖掘
10.7.2 基于粗糙集的離群點(diǎn)挖掘
10.7.3 基于人工神經(jīng)網(wǎng)絡(luò)的離群點(diǎn)挖掘
10.8 本章小結(jié)
參考文獻(xiàn)
第11章 時(shí)間序列方法
11.1 時(shí)間序列的基本概念
11.1.1 時(shí)間序列的定義
11.1.2 時(shí)間序列的組成因素
11.1.3 時(shí)間序列的分類
11.1.4 時(shí)間序列分析方法
11.2 平穩(wěn)時(shí)間序列分析方法
11.2.1 移動(dòng)平均法
11.2.2 指數(shù)平滑法
11.3 季節(jié)指數(shù)預(yù)測(cè)法
11.3.1 季節(jié)性水平模型
11.3.2 季節(jié)性趨勢(shì)模型
11.4 時(shí)間序列模型
11.4.1 ARMA模型
11.4.2 ARIMA模型
11.4.3 ARCH模型
11.4.4 GARCH模型
11.5 應(yīng)用實(shí)例：基于時(shí)間序列的股票預(yù)測(cè)
11.6 本章小結(jié)
參考文獻(xiàn)
第12章 智能優(yōu)化方法
12.1 智能優(yōu)化方法概要
12.1.1 智能優(yōu)化方法的概念
12.1.2 在量化投資中的作用
12.1.3 常用的智能優(yōu)化方法
12.2 遺傳算法
12.2.1 遺傳算法的原理
12.2.2 遺傳算法的步驟
12.2.3 遺傳算法實(shí)例
12.2.4 遺傳算法的特點(diǎn)
12.3 模擬退火算法
12.3.1 模擬退火算法的原理
12.3.2 模擬退火算法步驟
12.3.3 模擬退火算法實(shí)例
12.3.4 模擬退火算法的特點(diǎn)
12.4 應(yīng)用實(shí)例：組合投資優(yōu)化
12.4.1 問題描述
12.4.2 求解過程
12.5 延伸閱讀：其他智能方法
12.5.1 粒子群算法
12.5.2 蟻群算法
12.6 本章小結(jié)
參考文獻(xiàn)

第三篇 實(shí)踐篇
第13章 統(tǒng)計(jì)套利策略的挖掘與優(yōu)化
13.1 統(tǒng)計(jì)套利策略概述
13.1.1 統(tǒng)計(jì)套利的定義
13.1.2 統(tǒng)計(jì)套利策略的基本思想
13.1.3 統(tǒng)計(jì)套利策略挖掘的方法
13.2 基本策略的挖掘
13.2.1 準(zhǔn)備數(shù)據(jù)
13.2.2 探索交易策略
13.2.3 驗(yàn)證交易策略
13.2.4 選擇最佳的參數(shù)
13.2.5 參數(shù)掃描法
13.2.6 考慮交易費(fèi)
13.3 高頻交易策略及優(yōu)化
13.3.1 高頻交易的基本思想
13.3.2 高頻交易的實(shí)現(xiàn)
13.4 多交易信號(hào)策略的組合及優(yōu)化
13.4.1 多交易信號(hào)策略
13.4.2 交易信號(hào)的組合優(yōu)化機(jī)理
13.4.3 交易信號(hào)的組合優(yōu)化實(shí)現(xiàn)
13.5 本章小結(jié)
參考文獻(xiàn)
第14章 配對(duì)交易策略的挖掘與實(shí)現(xiàn)
14.1 配對(duì)交易概述
14.1.1 配對(duì)交易的定義
14.1.2 配對(duì)交易的特點(diǎn)
14.1.3 配對(duì)選取步驟
14.2 協(xié)整檢驗(yàn)的理論基礎(chǔ)
14.2.1 協(xié)整關(guān)系的定義
14.2.2 EG兩步協(xié)整檢驗(yàn)法
14.2.3 Johansen協(xié)整檢驗(yàn)法
14.3 配對(duì)交易的實(shí)現(xiàn)
14.3.1 協(xié)整檢驗(yàn)的實(shí)現(xiàn)
14.3.2 配對(duì)交易函數(shù)
14.3.3 協(xié)整配對(duì)中的參數(shù)優(yōu)化
14.4 延伸閱讀：配對(duì)交易的三要素
14.4.1 配對(duì)交易的前提
14.4.2 配對(duì)交易的關(guān)鍵
14.4.3 配對(duì)交易的假設(shè)
14.5 本章小結(jié)
參考文獻(xiàn)
第15章 數(shù)據(jù)挖掘在股票程序化交易中的綜合應(yīng)用
15.1 程序化交易概述
15.1.1 程序化交易的定義
15.1.2 程序化交易的實(shí)現(xiàn)過程
15.1.3 程序化交易的分類
15.2 數(shù)據(jù)的處理及探索
15.2.1 獲取股票日交易數(shù)據(jù)
15.2.2 計(jì)算指標(biāo)
15.2.3 數(shù)據(jù)標(biāo)準(zhǔn)化
15.2.4 變量篩選
15.3 模型的建立及評(píng)估
15.3.1 股票預(yù)測(cè)的基本思想
15.3.2 模型的訓(xùn)練及評(píng)價(jià)
15.4 組合投資的優(yōu)化
15.4.1 組合投資的理論基礎(chǔ)
15.4.2 組合投資的實(shí)現(xiàn)
15.5 程序化交易的實(shí)施
15.6 本章小結(jié)
參考文獻(xiàn)
第16章 基于數(shù)據(jù)挖掘技術(shù)的量化交易系統(tǒng)
16.1 交易系統(tǒng)概述
16.1.1 交易系統(tǒng)的定義
16.1.2 交易系統(tǒng)的作用
16.2 DM交易系統(tǒng)總體設(shè)計(jì)
16.2.1 系統(tǒng)目標(biāo)
16.2.2 相關(guān)約定
16.2.3 系統(tǒng)結(jié)構(gòu)
16.3 短期交易子系統(tǒng)
16.3.1 子系統(tǒng)功能描述
16.3.2 數(shù)據(jù)預(yù)處理模塊
16.3.3 量化選股模塊
16.3.4 策略回測(cè)模塊
16.4 中長期交易子系統(tǒng)
16.4.1 子系統(tǒng)功能描述
16.4.2 導(dǎo)入數(shù)據(jù)模塊
16.4.3 投資組合優(yōu)化模塊
16.5 系統(tǒng)的拓展與展望
16.6 本章小結(jié)
參考文獻(xiàn)