笔者感悟：

• 有完整清晰的学习路线，编程语言选择以及难点，编程与金融关系，期货是量化的源头。
• 涉及到【新策略开发】的思路，调参，涉及明确的【机器学习】概念。
• 量化的用武之地的经济背景：资本市场进一步扩大，市场货币投放量进一步扩大。
• 对于【回测】的态度要持保留意见：一个是历史数据的历史性特点，一个是设计的交易模型上与实盘有一定的差距导致无限迭代引起的冲击。

• 第一章，第二章介绍编程语言和编程平台
• 第三章：择时【通道突破，跌破】、【自适应均线】、【海龟系统】，选股【小市值因子】、【PEG指标】、【反转因子】、【资金流】、【筹码】。
• 第五章，第七章的CTA策略【主要用于商品期货，期权交易】

看书看多了就晓得一点，市面上量化的书说来说去只有这几个策略而已。原创和开发任重而道远，所以笔者花了半年时间突击学习统计学是值得的，一方面是更好理解机器学习，了解底层逻辑和知识点，一方面还是为了原创开发理论。

量化投资技术分析实战：解码股票与期货交易模型

量化交易的特点：

• 业绩稳定【但是今年，也就是2020年西蒙斯的文艺复兴量化基金损失严重，这个还是不能过于迷信】

• 概率取胜，精准回测【要用逻辑和工具去计算和推断，逐步脱离盘感的影响】
• 严谨执行力强：【当前，我们可能关注一两个投资品种，但是未来我们需要对全市场进行部署和调整，资本市场在迅猛发展的今天，我们需要更多的工具来扩展我们的视野才行】

本书内容：

• 择时类模型，通过体会【动量】效应在期货多品种和股票中的运行效果，达成初步的稳健模型。
• stock_makert的基本面，技术面模型构建，熟悉【ETF择时交易】、【风格选股模型】、【技术指标选股模型】、【动量选股模型】。
• 复杂的期货模型，观测其实战效果和缺陷。
• 基本的数学知识【统计学】。
• 股票多因子模型+简单易懂的机器学习模型框架。
• 回测模型搭建过程中各种问题，绩效评估和避免幸存者偏差。

第一章 量化投资入门建议和行业概况

1.1学习路线图与重要知识节点

• 体会模型，按照学习路线前进

• 编程难题

编程与金融知识

• 股票和期货波动特征，常识更为复杂的股票、期货模型。

1.2稳步上升的资金曲线是否存在

• 实践+数学工具：抽取市场价量信息分析的特征。

我们要考虑到以下几点：

1.数据获取的维度和成本

2.偏向的策略所需要的数据

3.数据格式的选定后不需要大规模修改，比如我只是做择时，则只需要[open,close,high,low]数据维度，然后生成[pet_change,ma]等数据，要么就是需要[pe]等数据，这些都是一经确定就无法修改，或者修改就需要很大代价的。

• 提出假设、投资逻辑，并进行部署，调参。
• 新技术的推广：神经网络【无限逼近真实市场】

3.基于多资产多策略配置

• 经济的逻辑：M2,M1持续投入，为各种品种的交易，套利带来了源源不断的额战斗力，头寸。

货币投放趋势

策略优化后的表现

1.3有保留地相信回测结果：

• 尽可能使得自己贴近真实的市场交易，尽可能增加多样本进行处理。

时间序列的运用，需要我们将量化的眼光投向统计学更深处

第2章 快速驾驭编程语言知识 32

2.1 TB基本编程——基础知识 32
2.2 TB基本编程——条件循环语句 39
2.3 Python语言比你想象中更简单 43
2.4 Python Numpy库常用操作解读 55
2.5 Python Pandas库常用操作解读 58
2.6 实战开始：在股票平台进行数据查询 63

选择Python语言，TB语言主要用于期货。

第3章 股票期货择时交易模型 70

3.1 ETF二八择时法则，跑赢基础股票指数 70
3.2 Aberration系统，长期活跃于期货市场 83
3.3 低价股+逆向双均线模型，初步探索个股特征 102
3.4 CCI通道+自适应系统，驯服商品期货波动 111
3.5 AMA自适应均线系统捕捉价格启动机会 123
3.6 “海龟交易法则”辉煌战绩与实践 140

这里主要介绍了ETF二八法则，aberration系统，低价股+逆向双均线，CCI通道+自适应系统，AMA自适应系统，“海龟交易法则”。

这里笔者主要是接触了双均线交易策略，单个股测试，其他还需要进行整理和测试。

第4章 基本面和技术面交易模型 147

4.1 股票模型思路形成与常见问题 147

4.2 小市值二八过滤止损模型，A股明星以小为美 152
4.3 PEG价值选股模型，复制彼得•林奇投资路径 163
4.4 技术指标测试平台 174
4.5 动量效应和反转效应 188
4.6 换手率和资金流模型，主力和筹码盘根错节 197
4.7 个股CTA策略尝试 215
4.8 高频因子低频交易，“聪明钱”因子模型 228
4.9 股息率高分红模型，与参数优化实践 244

笔者对选股的思路接触不多，主要还是择时使用的多一些，一个是要必须处理好选股的数据，还有一个就是涉及到的信息不一定能够弄到手，相应的成本比较大。

第5章 更有效的期货交易模型构建 260

5.1 万变不离其宗，均线类模型本质剖析 260
5.2 逆势交易在期货市场的初步实践 267
5.3 大小周期双频率模型CTA实战 281
5.4 OpenRangeBreaker短线突破交易系统 290

没有接触过期货，也不想了解。

第6章 股票多因子模型实战 309

6.1 理解回归问题的原理 309
6.2 基本的统计学知识补充 313
6.3 股票多因子模型的实质 325
6.4 股票收益50年探索历程 333
6.5 单因子分析方法 337
6.6 多因子选股模型：多元线性回归法 345

6.7 SVR机器学习多因子建模 355

所以说统计学很重要，但是只是对于单一产品，对于多产品的交易，还是需要通过微积分，线性代数进行处理。还是要对机器学习进行快速整理和复盘才行。加快学习速度。

第7章 模型与实盘投资难点 367

7.1 参与CTA市场的必要性和必然性 367
7.2 止损模块的重要意义与取舍 371
7.3 我们更加侧重的绩效评估理论 373
7.4 警惕隐藏的回撤幅度和回撤时间 377

对于CTA市场不了解，对于风险管理和仓位设计还不够，主要是没有亲手设计过，笔者将依照这几本书开始进行搭建，快速做出东西出来。

结束语 不断失败和不断迭代 380