《Python金融量化分析》是有关Python在金融量化分析领域应用的一本从入门到精通类图书。全书分4篇共10章。第1篇（第1~3章）简单介绍了Python的基础知识，包括数据类型、循环体、函数、类与面向对象，以及常用的标准库与扩展库；第2篇（第4~6章）介绍了Python在金融量化交易中的应用，包括资产类别、衍生品等金融基础知识，数学与统计学基础知识，以及量化投资策略开发的一般化流程；第3篇（第7、8章）介绍了Python在量化风险管理中的应用，包括风险类别的介绍、市场因子的模拟，以及投资组合优化；第4篇（第9、10章）用5个实战案例具体演示了Python在金融量化分析中的应用。
《Python金融量化分析》适合具备一定数学、金融、计算机基础及编程经验的专业技术人员阅读学习，也适合相关专业高年级本科生、研究生学习参考。
1. 作者专业。两位作者分别为中银金科技术专家和阿里集团前算法专家，具有深厚的专业技术背景。对Python编程和金融量化分析都有自己的独特见解。
2. 内容实用。书中所讲内容均为量化分析师必备的专业技能，所有案例均为实际项目改变，有很强的实操性，帮助读者快速上手。
3. 配套丰富。本书附赠30个（总长超过330分钟）的视频教程和全部案例的源代码下载。
当代的金融量化分析，是一个集金融、数学、统计学与计算机科学等多学科知识于一体的交叉领域。其主要指借助计算机的高效运算速度，把数学和统计学模型应用在金融活动中指导交易的进行。
高级的量化技术有两个主要的分支：一个是衍生品定价，另一个是风险和投资组合管理。有关衍生品定价最早的一部著作，一般认为是法国数学家路易斯·巴舍利耶（Louis Bachelier）在1900年发表的关于期权定价的学位论文Theorie de la Speculation，它被公认为是现代金融学的里程碑。此后直到20世纪70年代，随着费希尔·布莱克（Fischer Black）、迈伦·斯科尔斯（Myron Scholes）和罗伯特·默顿（Robert Merton）在期权定价理论方面取得重大突破之后，数学金融才正式成为一门学科。而关于量化分析在投资方面应用的研究，则源于20世纪60年代美国麻省理工学院的爱德华·索普（Edward Thorp），他使用统计模型首先发明了二十一点的算牌方法，然后将其原理应用于现代系统投资。
到了21世纪，伴随着大数据、云计算、人工智能技术的长足进步，量化分析更是如虎添翼。大批的量化分析师活跃在金融领域的各个方向，包括投资银行、基金公司、券商金融工程、资产管理公司、私募公司、金融科技公司等。工作职能包括量化研究、量化交易、量化风控、数据结构和算法、系统开发和运维、模型和咨询等。
作者是数学与统计学背景出身，博士期间的主要研究方向就是时间序列分析，可以说与金融市场息息相关。毕业之后又在大型金融机构从事了多年金融量化分析工作，工作内容和研究方向涵盖了量化分析的各个主要方向。同时工作中主要使用的编程语言是Python，深刻体会到了这门语言在量化分析工作中的优势，因此萌生了编写本书的想法。
《Python金融量化分析》共10章。第1章从最基础的Python知识入手，介绍了数据类型、运算符、条件语句、循环嵌套和函数。第2章从类的基本定义出发，介绍了类的属性、方法和继承等特征，简单阐述了Python作为一门面向对象的编程语言，其本身的一些特点。第3章介绍了模块、包和库的概念，列举了几个常用的标准库，并重点介绍了Python在量化分析里最重要的三个扩展库，即numPy、pandas和matplotlib。第4章介绍了主要的资产类别和期货、期权、互换等常见衍生品的定义与定价模型。第5章主要介绍量化分析中会用到的数学和统计学知识，包含一些重要的概率分布类型、统计学习模型和数值计算方法等。第6章介绍了量化分析的现状，对比了量化分析师的两个大类P-Quant与Q-quant，而后侧重于量化投资方向，简单描述了投资策略开发的流程与主要步骤。第7章介绍量化分析在风险管理方面的应用，包括市场风险、信用风险和操作风险的常用风险度量的定义和计算方法。第8章具体描述量化风险管理中最核心的关于市场因子模拟模型的诸多细节，如资本资产定价模型、相关系数矩阵的分解，以及投资组合管理中的组合优化问题等。第9章包含三个Python在量化投资领域的实战案例，分别是批量获取和整理量化分析需要的数据、多因子投资策略和双均线投资策略。第10章包含两个Python在量化风险管理方向的实战案例，一个是搭建可扩展的股票市场的市场因子模拟模型的框架，另一个是利用历史模拟数据计算衍生品组合的风险价值。
Python金融量化分析编写这样一本关于Python金融量化分析的书籍不是一件容易的事情，困难一方面在于它所涉及知识的多学科性，另一方面在于这些学科或者方向本身也处于不断发展和成长中。因此书中的一些认知和观点只能算是作者的一家之言，不全面、不准确或错漏之处在所难免。编写本书的目的是给广大Python和金融量化分析的爱好者和初级从业人员提供一本入门书籍。基于这样的认识，作者期望能抛砖引玉，帮助更多从业者和大学生进入这个行业。若本书能起到这样的作用，作者将深感欣慰。
作者
1. 张奎，中银金科技术专家，美国杜兰大学统计学博士，中国科学技术大学数学系本硕学位。曾先后任职于美国花旗银行、富国银行，有多年金融量化分析从业经历。精通数学、概率统计、Python、金融基础知识，对机器学习模型、Python程序设计与开发、金融产品定价模型都有自己独到和深入的理解。
2. 马萌，美国杜兰大学数学硕士，量化基金经理，８年量化投资经验。著有《MATLAB量化金融分析基础与实战》。曾就职于阿里巴巴集团，任算法专家，精通机器学习及深度学习在金融行业的实战应用，目前主要研究方向为二级市场高频交易。
前言
第1篇 Python相关知识
第1章 Python基础知识/
1.1 数据类型/
1.1.1 字符串/
1.1.2 列表/
1.1.3 元组/
1.1.4 字典/
1.2 运算符/
1.2.1 算术运算符/
1.2.2 比较运算符/
1.2.3 赋值运算符/
1.2.4 位运算符/
1.3 条件语句/
1.4 循环语句及嵌套/
1.4.1 while循环/
1.4.2 for循环/
1.4.3 嵌套、break与continue/
1.5 函数/
1.5.1 参数传递/
1.5.2 不定长参数/
1.5.3 返回值/
第2章 类与面向对象/
2.1 类的基本概念/
2.2 类的属性/
2.2.1 类属性/
2.2.2 实例属性/
2.3 类的方法/
2.3.1 实例方法/
2.3.2 类方法/
2.3.3 静态方法/
2.4 类的继承/
2.5 运算符重载/
2.6 私有与保护类型/
2.7 直接赋值、浅复制和深度复制/
第3章 模块、包与库/
3.1 模块的基本概念/
3.1.1 模块的__dict__属性/
3.1.2 导入模块的几种方法/
3.1.3 if __name__==__main__/
3.2 常用的标准库模块/
3.2.1 sys/
3.2.2 os/
3.2.3 glob/
3.2.4 datetime/
3.2.5 math/
3.2.6 thread/
3.2.7 urllib/
3.3 扩展程序库numPy/
3.3.1 numPy.ndarrays/
3.3.2 numPy数组的基本运算/
3.3.3 矩阵运算与随机数生成/
3.4 扩展程序库pandas/
3.4.1 Series与DataFrame/
3.4.2 apply/
3.4.3 merge和append/
3.4.4 groupby/
3.4.5 read_csv和to_csv/
3.5 扩展程序库matplotlib/
3.5.1 figure与add_subplot/
3.5.2 matplotlib.pyplot.axes/
第2篇 Python在量化交易中的运用
第4章 金融基础知识/
4.1 金融资产类别/
4.1.1 固定收益/
4.1.2 外汇/
4.1.3 权益/
4.1.4 商品/
4.1.5 信用/
4.2 金融衍生品/
4.2.1 远期与期货合约/
4.2.2 期权/
4.2.3 互换/
4.2.4 其他衍生品/
4.3 场内交易与场外交易/
4.4 实例：用Python求欧式期权的隐含波动率/
第5章 数学与统计学基础知识/
5.1 统计学中常见的概率分布/
5.1.1 离散型概率分布/
5.1.2 连续型概率分布/
5.2 贝叶斯公式/
5.3 蒙特卡洛模拟与中心极限定理/
5.4 随机过程与时间序列/
5.5 几种经典随机过程模型/
5.5.1 分式布朗运动/
5.5.2 马尔可夫过程/
5.6 常见的统计学习方法/
5.6.1 线性回归与逻辑回归/
5.6.2 决策树与随机森林/
5.6.3 K-均值算法/
5.6.4 神经网络与深度学习/
5.7 数值计算方法/
5.7.1 牛顿法/
5.7.2 梯度下降法/
5.7.3 有限差分法/
5.8 实例：用深度学习处理分类问题/
第6章 量化交易与投资策略开发/
6.1 量化交易的市场现状/
6.2 P-Quant与Q-Quant/
6.3 量化投资策略的类别/
6.4 策略开发的一些思路/
6.5 数据的收集整理与修正/
6.5.1 日期的格式/
6.5.2 文件传输格式/
6.5.3 数据质量问题的处理/
6.6 程序和模型的测试与分析/
6.6.1 单元测试/
6.6.2 异常处理/
6.6.3 模型测试/
6.7 回测、模拟盘与实盘分析/
6.8 实例：Python爬虫获取公司财务数据/
第3篇 Python在量化风险管理中的应用
第7章 量化风险管理的基础知识/
7.1 什么是量化风险管理/
7.2 市场风险/
7.2.1 风险价值（VaR）/
7.2.2 预期亏损（ES）/
7.2.3 历史模拟与蒙特卡洛/
7.3 信用风险/
7.3.1 额外的时间维度/
7.3.2 潜在未来敞口（PFE）/
7.3.3 正向敞口期望（EPE）/
7.3.4 违约概率（PD）/
7.4 操作风险/
7.4.1 帕累托分布/
7.4.2 不平衡样本/
7.5 投资组合的风险度量/
7.5.1 波动率/
7.5.2 大回撤/
7.6 实例：大回撤的O(n)复杂度的算法/
第8章 市场因子模型与组合优化/
8.1 资本资产定价模型/
8.1.1 股票指数与个股/
8.1.2 特异波动率/
8.2 市场因子的相关矩阵/
8.2.1 Cholesky分解/
8.2.2 模拟指数与个股的走势/
8.3 市场因子的主成分分析/
8.3.1 期货合约的相关性/
8.3.2 主成分分析的数学原理/
8.3.3 用Python做主成分分析/
8.3.4 用主成分做模拟/
8.4 正态分布与肥尾分布/
8.4.1 股票回报率的肥尾现象/
8.4.2 正态分布的肥尾修正/
8.5 投资组合优化/
8.5.1 Markowitz均值-方差模型/
8.5.2 数值方法优化投资比例/
8.5.3 无风险收益率非零情况下的优化/
8.6 实例：用蒙特卡洛模拟做优化/
书单推荐
