《股票多因子模型实战：Python核心代码解析》简介：

《股票多因子模型实战：Python核心代码解析》深入浅出地介绍股票多因子模型的原理与构建方式，从基础知识、单因子测试、因子合成、股票组合构建等多方面进行介绍。

《股票多因子模型实战：Python核心代码解析》共6章：第1章对量化投资进行概述，引出多因子模型的底层逻辑与实践框架；第2章和第3章分别介绍多因子模型的Python编程基础与概率统计基础；第4章介绍单因子的计算过程和处理过程，以及单因子的测试和测试结果的分析方法，是较为核心的一章；第5章介绍单因子如何进行因子合成；第6章介绍简单的组合构建方法和利用组合理论构建组合的方法。

《股票多因子模型实战：Python核心代码解析》目录：

第1章 量化投资概述
1.1 什么是量化投资
1.1.1 股票多因子
1.1.2 量化CTA
1.1.3 套利
1.1.4 高频
1.2 股票多因子模型框架
1.2.1 因子与因子思维
1.2.2 多因子模型的数学语言
1.2.3 多因子模型的实践框架
1.3 量化的基本问题
1.3.1 幸存者偏差
1.3.2 未来信息
1.3.3 过度拟合与欠拟合
1.3.4 因果性与相关性
1.3.5 其他问题
第2章 量化的Python基础
2.1 Python的安装与基本环境
2.1.1 下载与安装
2.1.2 Jupyter的使用
2.2 基本数据类型和变量
2.2.1 整型
2.2.2 浮点型
2.2.3 字符串
2.2.4 布尔型
2.2.5 变量
2.3 Python的容器
2.3.1 列表
2.3.2 元组
2.3.3 字典
2.4 Python的基本语法
2.4.1 if判断
2.4.2 for循环
2.4.3 函数
2.4.4 模块的使用
2.5 数据处理入门
2.5.1 NumPy科学计算库
2.5.2 Matplotlib可视化库
2.6 Pandas
2.6.1 数据表
2.6.2 Series与DataFrame
2.6.3 Pandas的输入与输出
2.6.4 DataFrame的数据选取
2.6.5 Pandas的排序
2.6.6 统计描述与分组
2.6.7 Pandas的数据可视化
2.6.8 多个DataFrame处理
第3章 量化的概率统计基础
3.1 分布的四个“矩”
3.1.1 期望
3.1.2 方差
3.1.3 偏度
3.1.4 峰度
3.2 正态分布
3.2.1 正态分布的定义
3.2.2 正态分布的特点
3.3 线性回归
3.3.1 单元线性回归
3.3.2 多元线性回归
3.3.3 哑变量
3.4 业绩评价指标
3.4.1 年化收益率
3.4.2 夏普比率
3.4.3 信息比率
第4章 单因子测试
4.1 因子的来源
4.1.1 财务因子
4.1.2 分析师一致预期因子
4.1.3 技术因子
4.1.4 其他因子
4.2 大小盘因子
4.2.1 大小盘因子的定义
4.2.2 大小盘因子的计算
4.2.3 大小盘因子的处理流程
4.2.4 去极值与异常值
4.2.5 标准化
4.2.6 中性化
4.3 ROE因子
4.3.1 ROE因子概述
4.3.2 ROE因子的计算
4.3.3 市值中性化
4.4 RSI因子
4.4.1 RSI指标计算
4.4.2 RSI因子的定义与计算
4.5 其他因子的计算
4.5.1 BTOP因子
4.5.2 ROE稳定性因子
4.5.3 EPS一致预期变动率因子
4.5.4 舆论因子
4.6 单因子的测试分析
4.6.1 单因子测试的基本逻辑
4.6.2 Alphalens简介
4.6.3 因子IC分析
4.6.4 收益率分析
4.6.5 换手率
4.7 常见因子的测试结果
4.7.1 ROE测试结果
4.7.2 销售净利率
4.7.3 MAC10
4.7.4 BTOP因子
第5章 因子合成
5.1 经典加权方法
5.1.1 等权
5.1.2 滚动IC与IC_IR
5.1.3 合成因子测试结果
5.1.4 其他加权方法
5.2 情景配置
5.2.1 市值因子的分析
5.2.2 ROE因子的择时
第6章 组合构建
6.1 一般方法
6.1.1 等权加权
6.1.2 市值加权
6.2 均值-方差组合
6.2.1 优化器的使用
6.2.2 “均值-方差”效用函数
· · · · · ·