机器学习和算法交易(教材)

红色标记的内容是可选的,因为这些内容主要是对之前黑色文本部分的补充和扩展。这取决于你想学习的难度和速度!

你应该先完成第一本教材,然后再决定是先学习机器学习部分还是衍生品部分,当然你也可以同时学习这两部分。 这两个领域有一些交叉点,我个人更偏爱前者(机器学习),不过它们实际上是相互独立的,学习其中一个并不需要另一个领域的知识。

所有教材都提供了亚马逊链接,但要注意避免使用libgen,因为那里可以免费获取所有这些教材。

免责声明：

如果你进行盗版行为，我不承担任何责任，我也不建议你这样做，因为这是错误的。不过我听说有些人会用它来预先检查书的质量，确认内容是否值得购买。

另外，购买实体书可以让你拥有一个令人印象深刻的书架，有人认为阅读实体书更好。但我个人觉得PDF版本和实体书都很好。当然，说的是通过作者正当渠道购买的PDF…

  1. Quantitative Trading 2nd edition”
  2. Trading and Exchanges - This can be skipped if you are not interested in microstructure, but regardless is quite helpful to know as it can make sure you avoid some silly mistakes.

注意：关于Ernest Chan的书籍的简短说明。这些书的内容不算很深入，但作为入门材料比较容易理解， 所以可以快速浏览。特别是1) a和b（红色标注的部分）非常基础，如果你对量化交易已经有一定了解的话，可以直接跳过这些内容。

关于Ernest Chan的书籍的简短说明：

这些书的内容不是很深入，但作为入门材料比较容易理解，所以你可以快速浏览。特别是红色标记的1) a和b部分，内容非常基础，除非你是完全的量化交易新手，否则可以直接跳过。

简单来说：

  • Ernest Chan的书适合入门快速了解
  • 内容相对基础和浅显
  • 有经验的人可以选择性跳过最基础的章节
  • 主要面向完全的新手读者

ML (1/3) Machine Learning for Algorithmic Trading

机器学习和Python编程之间有很多重叠的内容…所以可以先读其中一本，然后阅读”Finding Alphas”（寻找阿尔法），之后再读另一本。这就是为什么在机器学习方面，这些书被标注为第一本或第三本推荐阅读的书籍。

《机器学习》和《精通Python》这两本书之间有很多内容重叠，所以你可以先选择其中一本开始读，然后阅读《寻找阿尔法》(Finding Alphas)，之后再读另一本。

这也是为什么在机器学习领域的阅读顺序中，这两本书被标注为可以作为第一本或第三本来读的原因。

简单总结阅读建议：

  1. 先选择《机器学习》或《精通Python》中的一本
  2. 接着阅读《寻找阿尔法》
  3. 最后阅读之前没读过的那本书

这样的阅读顺序可以避免重复内容，更有效率地学习。

ML (1/3) Mastering Python for Finance

如果你选择”旁听”课程的方式，那么在阅读《寻找阿尔法》之前，你可以免费完成所有这些课程。

说明：

  • “旁听”（audit）模式让你可以免费访问课程内容
  • 建议先完成所有这些免费课程
  • 然后再开始阅读《寻找阿尔法》
  • 这样的学习顺序可以让你更好地理解后续的内容

这里强调的是充分利用免费的学习资源，在进入更深入的学习材料之前打好基础。

使用 Python 和机器学习进行投资管理 专项课程

关于这个4部分课程的重要说明：

主要优势：

  • 内容丰富全面（4个部分的完整课程）
  • 教学方法独特：
    • 先用传统模型建立直觉理解
    • 然后展示实际产业中使用的有效方法
  • 使用Python在Jupyter notebook环境中：
    • 这是进行研究的最佳方式
    • 便于实验和验证

替代选择：

  • Orange也是不错的选择
  • Jupyter中使用R内核也是很好的替代方案（后续会详细介绍）

虽然内容量很大，但这个课程的实用性和教学质量使它成为最好的学习资源之一，特别是对于想要深入量化领域的学习者来说。

ML (2) Finding Alphas: A Quantitative Approach (2nd edition)

ML (4) Advanced Algorithmic Trading

关于回测结果的重要提醒：

核心观点：

  • 展示的回测结果可能存在过度拟合
  • 结果看起来比实际效果要好看

但这些内容仍然有价值，主要用途是：

  • 熟悉不同的策略方法
  • 了解各种交易思路
  • 启发自己的创新思维
  • 改进个人的策略开发过程

建议态度：

  • 保持批判性思维
  • 不要盲目照搬回测结果
  • 将其作为学习和获取灵感的参考
  • 重点关注方法论和思维过程，而不是具体结果

ML (5) Advances in financial machine learning

关于MLDP（Machine Learning for Dynamic Programming）这本书的准确评价：

质量分布：

  • 开头几章：极其出色（必读）
  • 中间章节：质量尚可
  • 最后章节：质量很差

比喻：”Nicolas Cage式”的作者：

  • 要么极好要么极差
  • 没有中间地带
  • 作品质量两极分化

具体表现：

  • 好的部分：提出实用且出色的方法
  • 差的部分：过于偏门，缺乏实际赚钱价值

核心建议：

  • 无论如何，前几章是量化从业者必读内容
  • 选择性阅读其他部分
  • 保持批判性思维，取其精华

ML(6) The elements of statistical learning general ML knowledge – Less math heavy version

ML(7) Regression Analysis with Python

ML(8) Regression Modelling Strategies

关于回归模型的重要认识：

专业人士vs初学者的区别：

  • 初学者倾向使用复杂的机器学习模型
  • 专业量化交易者更偏好最简单的模型（如回归）

为什么回归如此重要：

  1. 数据特性决定：
    • 数据噪声大
    • 维度高
    • 极易过度拟合
  2. 常见误区：
    • 初学者往往高估了数据的可拟合程度
    • 实际可用的拟合空间很有限

推荐的回归方法：

  • 岭回归（Ridge）
  • 中值回归（Median）
  • MAD回归（Median Absolute Deviation）

补充建议： 建议学习Coursera上的机器学习课程：

  • 虽然不是专门针对金融
  • 但有助于建立对机器学习的基本认识
  • 了解各种方法的工作原理

核心启示： 简单模型往往比复杂模型更实用，这是经验的体现，而不是技术能力的限制。

Bonus Books:

4th Edition Extras:

5th Edition Extras:

Robert Carver Textbooks (These are an alternative to some of the initial textbooks):

关于教材顺序和额外推荐的说明：

Robert Carver的书籍特殊说明：

  • 可以替代Ernest Chan的书籍
  • 由读者自行决定是否替换
  • 当读者觉得Chan的书难以理解时可以转向Carver的书

教材排序原则：

  1. 基于附加价值进行排序
  2. 第一批推荐的额外教材是必要的补充
  3. 之后的教材逐渐变成可选性质

简单来说：

  • 核心教材是必读的
  • 第一批额外推荐的教材也很重要
  • 后续推荐的教材优先级逐渐降低
  • 读者可以根据需求选择性阅读后面的教材