全書內(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。

《量化投資：數(shù)據(jù)挖掘技術(shù)與實(shí)踐（MATLAB版）》的讀者對象為從事投資、數(shù)據(jù)挖掘、數(shù)據(jù)分析、數(shù)據(jù)管理工作的專業(yè)人士；金融、經(jīng)濟(jì)、管理、統(tǒng)計(jì)等專業(yè)的教師和學(xué)生；希望學(xué)習(xí)MATLAB的廣大科研人員、學(xué)者和工程技術(shù)人員。

目錄

第一篇基礎(chǔ)篇
第1章緒論 2
1.1 量化投資與數(shù)據(jù)挖掘的關(guān)系 2
1.1.1 什么是量化投資 2
1.1.2 量化投資的特點(diǎn) 3
1.1.3 量化投資的核心——量化模型 5
1.1.4 量化模型的主要產(chǎn)生方法——數(shù)據(jù)挖掘 7
1.2 數(shù)據(jù)挖掘的概念和原理 8
1.2.1 什么是數(shù)據(jù)挖掘 8
1.2.2 數(shù)據(jù)挖掘的原理 10
1.3 數(shù)據(jù)挖掘在量化投資中的應(yīng)用 11
1.3.1 宏觀經(jīng)濟(jì)分析 11
1.3.2 估價(jià) 13
1.3.3 量化選股 14
1.3.4 量化擇時(shí) 14
1.3.5 算法交易 15
1.4 本章小結(jié) 16
參考文獻(xiàn) 16
第2章數(shù)據(jù)挖掘的內(nèi)容、過程及工具 17
2.1 數(shù)據(jù)挖掘的內(nèi)容 17
2.1.1 關(guān)聯(lián) 17
2.1.2 回歸 19
2.1.3 分類 20
2.1.4 聚類 21
2.1.5 預(yù)測 22
2.1.6 診斷 24
2.2 數(shù)據(jù)挖據(jù)過程 25
2.2.1 數(shù)據(jù)挖掘過程概述 25
2.2.2 挖掘目標(biāo)的定義 26
2.2.3 數(shù)據(jù)的準(zhǔn)備 26
2.2.4 數(shù)據(jù)的探索 28
2.2.5 模型的建立 30
2.2.6 模型的評估 34
2.2.7 模型的部署 35
2.3 數(shù)據(jù)挖掘工具 36
2.3.1 MATLAB 36
2.3.2 SAS 37
2.3.3 SPSS 38
2.3.4 WEKA 40
2.3.5 R 41
2.3.6 工具的比較與選擇 42
2.4 本章小結(jié) 43
參考文獻(xiàn) 44
第二篇技術(shù)篇
第3章數(shù)據(jù)的準(zhǔn)備 47
3.1 數(shù)據(jù)的收集 47
3.1.1 認(rèn)識數(shù)據(jù) 47
3.1.2 數(shù)據(jù)挖掘的數(shù)據(jù)源 49
3.1.3 數(shù)據(jù)抽樣 50
3.1.4 量化投資的數(shù)據(jù)源 51
3.1.5 從雅虎獲取交易數(shù)據(jù) 53
3.1.6 從大智慧獲取財(cái)務(wù)數(shù)據(jù) 56
3.1.7 從Wind獲取高質(zhì)量數(shù)據(jù) 57
3.2 數(shù)據(jù)質(zhì)量分析 59
3.2.1 數(shù)據(jù)質(zhì)量分析的必要性 59
3.2.2 數(shù)據(jù)質(zhì)量分析的目的 60
3.2.3 數(shù)據(jù)質(zhì)量分析的內(nèi)容 60
3.2.4 數(shù)據(jù)質(zhì)量分析的方法 61
3.2.5 數(shù)據(jù)質(zhì)量分析的結(jié)果及應(yīng)用 66
3.3 數(shù)據(jù)預(yù)處理 67
3.3.1 為什么需要數(shù)據(jù)預(yù)處理 67
3.3.2 數(shù)據(jù)預(yù)處理的主要任務(wù) 68
3.3.3 數(shù)據(jù)清洗 69
3.3.4 數(shù)據(jù)集成 73
3.3.5 數(shù)據(jù)歸約 74
3.3.6 數(shù)據(jù)變換 74
3.4 本章小結(jié) 77
參考文獻(xiàn) 77
第4章數(shù)據(jù)的探索 78
4.1 衍生變量 79
4.1.1 衍生變量的定義 79
4.1.2 變量衍生的原則和方法 80
4.1.3 常用的股票衍生變量 80
4.1.4 評價(jià)型衍生變量 85
4.1.5 衍生變量數(shù)據(jù)收集與集成 87
4.2 數(shù)據(jù)的統(tǒng)計(jì) 88
4.2.1 基本描述性統(tǒng)計(jì) 89
4.2.2 分布描述性統(tǒng)計(jì) 90
4.3 數(shù)據(jù)可視化 90
4.3.1 基本可視化方法 91
4.3.2 數(shù)據(jù)分布形狀可視化 92
4.3.3 數(shù)據(jù)關(guān)聯(lián)情況可視化 94
4.3.4 數(shù)據(jù)分組可視化 95
4.4 樣本選擇 97
4.4.1 樣本選擇的方法 97
4.4.2 樣本選擇應(yīng)用實(shí)例 98
4.5 數(shù)據(jù)降維 100
4.5.1 主成分分析（PCA）基本原理 100
4.5.2 PCA應(yīng)用案例：企業(yè)綜合實(shí)力排序 103
4.5.3 相關(guān)系數(shù)降維 106
4.6 本章小結(jié) 107
參考文獻(xiàn) 108
第5章關(guān)聯(lián)規(guī)則方法 109
5.1 關(guān)聯(lián)規(guī)則概要 109
5.1.1 關(guān)聯(lián)規(guī)則提出背景 109
5.1.2 關(guān)聯(lián)規(guī)則的基本概念 110
5.1.3 關(guān)聯(lián)規(guī)則的分類 112
5.1.4 關(guān)聯(lián)規(guī)則挖掘常用算法 113
5.2 Apriori算法 113
5.2.1 Apriori算法的基本思想 113
5.2.2 Apriori算法的步驟 114
5.2.3 Apriori算法的實(shí)例 114
5.2.4 Apriori算法的程序?qū)崿F(xiàn) 117
5.2.5 Apriori算法的優(yōu)缺點(diǎn) 120
5.3 FP-Growth算法 121
5.3.1 FP-Growth算法步驟 121
5.3.2 FP-Growth算法實(shí)例 122
5.3.3 FP-Growth算法的優(yōu)缺點(diǎn) 124
5.4 應(yīng)用實(shí)例：行業(yè)關(guān)聯(lián)選股法 124
5.5 本章小結(jié) 126
參考文獻(xiàn) 127
第6章數(shù)據(jù)回歸方法 128
6.1 一元回歸 129
6.1.1 一元線性回歸 129
6.1.2 一元非線性回歸 133
6.1.3 一元多項(xiàng)式回歸 138
6.2 多元回歸 138
6.2.1 多元線性回歸 138
6.2.2 多元多項(xiàng)式回歸 142
6.3 逐步歸回 145
6.3.1 逐步回歸的基本思想 145
6.3.2 逐步回歸步驟 146
6.3.3 逐步回歸的MATLAB方法 147
6.4 Logistic回歸 149
6.4.1 Logistic模型 149
6.4.2 Logistic回歸實(shí)例 150
6.5 應(yīng)用實(shí)例：多因子選股模型的實(shí)現(xiàn) 153
6.5.1 多因子模型的基本思想 153
6.5.2 多因子模型的實(shí)現(xiàn) 154
6.6 本章小結(jié) 157
參考文獻(xiàn) 157
第7章分類方法 158
7.1 分類方法概要 158
7.1.1 分類的概念 158
7.1.2 分類的原理 159
7.1.3 常用的分類方法 160
7.2 K-近鄰（KNN） 161
7.2.1 K-近鄰原理 161
7.2.2 K-近鄰實(shí)例 163
7.2.3 K-近鄰特點(diǎn) 166
7.3 貝葉斯分類 167
7.3.1 貝葉斯分類原理 167
7.3.2 樸素貝葉斯分類原理 167
7.3.3樸素貝葉斯分類實(shí)例 170
7.3.4樸素貝葉斯特點(diǎn) 170
7.4 神經(jīng)網(wǎng)絡(luò) 171
7.4.1 神經(jīng)網(wǎng)絡(luò)的原理 171
7.4.2 神經(jīng)網(wǎng)絡(luò)的實(shí)例 173
7.4.3 神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 174
7.5 邏輯斯蒂（Logistic） 175
7.5.1 邏輯斯蒂的原理 175
7.5.2 邏輯斯蒂的實(shí)例 175
7.5.3 邏輯斯蒂的特點(diǎn) 175
7.6 判別分析 176
7.6.1 判別分析的原理 176
7.6.2 判別分析的實(shí)例 177
7.6.3 判別分析的特點(diǎn) 177
7.7 支持向量機(jī)（SVM） 178
7.7.1 SVM的基本思想 178
7.7.2 理論基礎(chǔ) 179
7.7.3 支持向量機(jī)的實(shí)例 182
7.7.4 支持向量機(jī)的特點(diǎn) 182
7.8 決策樹 183
7.8.1 決策樹的基本概念 183
7.8.2 決策樹的建構(gòu)的步驟 184
7.8.3 決策樹的實(shí)例 187
7.8.4 決策樹的特點(diǎn) 188
7.9 分類的評判 188
7.9.1 正確率 188
7.9.2 ROC曲線 191
7.10 應(yīng)用實(shí)例：分類選股法 193
7.10.1 案例背景 193
7.10.2 實(shí)現(xiàn)方法 194
7.11 延伸閱讀：其他分類方法 197
7.12 本章小結(jié) 197
參考文獻(xiàn) 198
第8章聚類方法 199
8.1 聚類方法概要 200
8.1.1 聚類的概念 200
8.1.2 類的度量方法 201
8.1.3 聚類方法的應(yīng)用場景 203
8.1.4 聚類方法的分類 204
8.2 K-means方法 205
8.2.1 K-means的原理和步驟 205
8.2.2 K-means實(shí)例1：自主編程 206
8.2.3 K-means實(shí)例2：集成函數(shù) 208
8.2.4 K-means的特點(diǎn) 212
8.3 層次聚類 212
8.3.1 層次聚類的原理和步驟 212
8.3.2 層次聚類的實(shí)例 214
8.3.3 層次聚類的特點(diǎn) 217
8.4 神經(jīng)網(wǎng)絡(luò)聚類 217
8.4.1 神經(jīng)網(wǎng)絡(luò)聚類的原理和步驟 217
8.4.2 神經(jīng)網(wǎng)絡(luò)聚類的實(shí)例 218
8.4.3 神經(jīng)網(wǎng)絡(luò)聚類的特點(diǎn) 219
8.5 模糊C-均值（FCM）方法 219
8.5.1 FCM的原理和步驟 219
8.5.2 FCM的應(yīng)用實(shí)例 220
8.5.3 FCM算法的特點(diǎn) 221
8.6 高斯混合聚類方法 222
8.6.1 高斯混合聚類的原理和步驟 222
8.6.2 高斯聚類的實(shí)例 224
8.6.3 高斯聚類的特點(diǎn) 225
8.7 類別數(shù)的確定方法 225
8.7.1 類別的原理 225
8.7.2 類別的實(shí)例 227
8.8 應(yīng)用實(shí)例：股票聚類分池 229
8.8.1 聚類目標(biāo)和數(shù)據(jù)描述 229
8.8.2 實(shí)現(xiàn)過程 229
8.8.3 結(jié)果及分析 231
8.9 延伸閱讀 233
8.9.1 目前聚類分析研究的主要內(nèi)容 233
8.9.2 SOM智能聚類算法 234
8.10　本章小結(jié) 235
參考文獻(xiàn) 235
第9章預(yù)測方法 236
9.1 預(yù)測方法概要 236
9.1.1 預(yù)測的概念 236
9.1.2 預(yù)測的基本原理 237
9.1.3 量化投資中預(yù)測的主要內(nèi)容 238
9.1.4 預(yù)測的準(zhǔn)確度評價(jià)及影響因素 239
9.1.5 常用的預(yù)測方法 240
9.2 灰色預(yù)測 241
9.2.1 灰色預(yù)測原理 241
9.2.2 灰色預(yù)測的實(shí)例 243
9.3 馬爾科夫預(yù)測 246
9.3.1 馬爾科夫預(yù)測的原理 246
9.3.2 馬爾科夫過程的特性 247
9.3.3 馬爾科夫預(yù)測的實(shí)例 248
9.4 應(yīng)用實(shí)例：大盤走勢預(yù)測 252
9.4.1 數(shù)據(jù)的選取及模型的建立 252
9.4.2 預(yù)測過程 253
9.4.3 預(yù)測結(jié)果與分析 254
9.5 本章小結(jié) 255
參考文獻(xiàn) 256
第10章診斷方法 257
10.1 離群點(diǎn)診斷概要 257
10.1.1 離群點(diǎn)診斷的定義 257
10.1.2 離群點(diǎn)診斷的作用 258
10.1.3 離群點(diǎn)診斷方法分類 260
10.2 基于統(tǒng)計(jì)的離群點(diǎn)診斷 260
10.2.1 理論基礎(chǔ) 260
10.2.2 應(yīng)用實(shí)例 262
10.2.3 優(yōu)點(diǎn)與缺點(diǎn) 264
10.3 基于距離的離群點(diǎn)診斷 264
10.3.1 理論基礎(chǔ) 264
10.3.2 應(yīng)用實(shí)例 265
10.3.3 優(yōu)點(diǎn)與缺點(diǎn) 267
10.4 基于密度的離群點(diǎn)挖掘 267
10.4.1 理論基礎(chǔ) 267
10.4.2 應(yīng)用實(shí)例 268
10.4.3 優(yōu)點(diǎn)與缺點(diǎn) 270
10.5 基于聚類的離群點(diǎn)挖掘 270
10.5.1 理論基礎(chǔ) 270
10.5.2 應(yīng)用實(shí)例 271
10.5.3 優(yōu)點(diǎn)與缺點(diǎn) 273
10.6 應(yīng)用實(shí)例：離群點(diǎn)診斷量化擇時(shí) 273
10.7 延伸閱讀：新興的離群點(diǎn)挖掘方法 275
10.7.1 基于關(guān)聯(lián)的離群點(diǎn)挖掘 275
10.7.2 基于粗糙集的離群點(diǎn)挖掘 276
10.7.3 基于人工神經(jīng)網(wǎng)絡(luò)的離群點(diǎn)挖掘 276
10.8 本章小結(jié) 277
參考文獻(xiàn) 277
第11章時(shí)間序列方法 279
11.1 時(shí)間序列的基本概念 279
11.1.1 時(shí)間序列的定義 279
11.1.2 時(shí)間序列的組成因素 280
11.1.3 時(shí)間序列的分類 281
11.1.4 時(shí)間序列分析方法 282
11.2 平穩(wěn)時(shí)間序列分析方法 283
11.2.1 移動平均法 283
11.2.2 指數(shù)平滑法 284
11.3 季節(jié)指數(shù)預(yù)測法 285
11.3.1 季節(jié)性水平模型 285
11.3.2 季節(jié)性趨勢模型 286
11.4 時(shí)間序列模型 286
11.4.1 ARMA模型 286
11.4.2 ARIMA模型 287
11.4.3 ARCH模型 288
11.4.4 GARCH模型 289
11.5 應(yīng)用實(shí)例：基于時(shí)間序列的股票預(yù)測 289
11.6 本章小結(jié) 293
參考文獻(xiàn) 293
第12章智能優(yōu)化方法 294
12.1 智能優(yōu)化方法概要 295
12.1.1 智能優(yōu)化方法的概念 295
12.1.2 在量化投資中的作用 295
12.1.3 常用的智能優(yōu)化方法 295
12.2 遺傳算法 297
12.2.1 遺傳算法的原理 297
12.2.2 遺傳算法的步驟 298
12.2.3 遺傳算法實(shí)例 306
12.2.4 遺傳算法的特點(diǎn) 307
12.3 模擬退火算法 309
12.3.1 模擬退火算法的原理 309
12.3.2 模擬退火算法步驟 310
12.3.3 模擬退火算法實(shí)例 313
12.3.4 模擬退火算法的特點(diǎn) 319
12.4 應(yīng)用實(shí)例：組合投資優(yōu)化 320
12.4.1 問題描述 320
12.4.2 求解過程 320
12.5 延伸閱讀：其他智能方法 321
12.5.1 粒子群算法 321
12.5.2 蟻群算法 323
12.6 本章小結(jié) 325
參考文獻(xiàn) 325
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 327
13.1 統(tǒng)計(jì)套利策略概述 327
13.1.1 統(tǒng)計(jì)套利的定義 327
13.1.2 統(tǒng)計(jì)套利策略的基本思想 327
13.1.3 統(tǒng)計(jì)套利策略挖掘的方法 328
13.2 基本策略的挖掘 329
13.2.1 準(zhǔn)備數(shù)據(jù) 329
13.2.2 探索交易策略 329
13.2.3 驗(yàn)證交易策略 330
13.2.4 選擇最佳的參數(shù) 331
13.2.5 參數(shù)掃描法 334
13.2.6 考慮交易費(fèi) 335
13.3 高頻交易策略及優(yōu)化 337
13.3.1 高頻交易的基本思想 337
13.3.2 高頻交易的實(shí)現(xiàn) 339
13.4 多交易信號策略的組合及優(yōu)化 341
13.4.1 多交易信號策略 341
13.4.2 交易信號的組合優(yōu)化機(jī)理 343
13.4.3 交易信號的組合優(yōu)化實(shí)現(xiàn) 344
13.5 本章小結(jié) 347
參考文獻(xiàn) 348
第14章配對交易策略的挖掘與實(shí)現(xiàn) 349
14.1 配對交易概述 350
14.1.1 配對交易的定義 350
14.1.2 配對交易的特點(diǎn) 350
14.1.3 配對選取步驟 351
14.2 協(xié)整檢驗(yàn)的理論基礎(chǔ) 352
14.2.1 協(xié)整關(guān)系的定義 352
14.2.2 EG兩步協(xié)整檢驗(yàn)法 353
14.2.3 Johansen協(xié)整檢驗(yàn)法 353
14.3 配對交易的實(shí)現(xiàn) 355
14.3.1 協(xié)整檢驗(yàn)的實(shí)現(xiàn) 355
14.3.2 配對交易函數(shù) 356
14.3.3 協(xié)整配對中的參數(shù)優(yōu)化 359
14.4 延伸閱讀：配對交易的三要素 360
14.4.1 配對交易的前提 360
14.4.2 配對交易的關(guān)鍵 360
14.4.3 配對交易的假設(shè) 360
14.5 本章小結(jié) 361
參考文獻(xiàn) 361
第15章數(shù)據(jù)挖掘在股票程序化
交易中的綜合應(yīng)用 362
15.1 程序化交易概述 362
15.1.1 程序化交易的定義 362
15.1.2 程序化交易的實(shí)現(xiàn)過程 363
15.1.3 程序化交易的分類 365
15.2 數(shù)據(jù)的處理及探索 366
15.2.1 獲取股票日交易數(shù)據(jù) 366
15.2.2 計(jì)算指標(biāo) 369
15.2.3 數(shù)據(jù)標(biāo)準(zhǔn)化 375
15.2.4 變量篩選 377
15.3 模型的建立及評估 379
15.3.1 股票預(yù)測的基本思想 379
15.3.2 模型的訓(xùn)練及評價(jià) 379
15.4 組合投資的優(yōu)化 381
15.4.1 組合投資的理論基礎(chǔ) 381
15.4.2 組合投資的實(shí)現(xiàn) 385
15.5 程序化交易的實(shí)施 389
15.6 本章小結(jié) 389
參考文獻(xiàn) 390
第16章基于數(shù)據(jù)挖掘技術(shù)的量化交易系統(tǒng) 392
16.1 交易系統(tǒng)概述 393
16.1.1 交易系統(tǒng)的定義 393
16.1.2 交易系統(tǒng)的作用 393
16.2 DM交易系統(tǒng)總體設(shè)計(jì) 394
16.2.1 系統(tǒng)目標(biāo) 394
16.2.2 相關(guān)約定 395
16.2.3 系統(tǒng)結(jié)構(gòu) 395
16.3 短期交易子系統(tǒng) 396
16.3.1 子系統(tǒng)功能描述 396
16.3.2 數(shù)據(jù)預(yù)處理模塊 396
16.3.3 量化選股模塊 397
16.3.4 策略回測模塊 397
16.4 中長期交易子系統(tǒng) 398
16.4.1 子系統(tǒng)功能描述 398
16.4.2 導(dǎo)入數(shù)據(jù)模塊 398
16.4.3 投資組合優(yōu)化模塊 399
16.5 系統(tǒng)的拓展與展望 401
16.6 本章小結(jié) 401
參考文獻(xiàn) 402