吴岸城（Arthur Wu），毕业于浙江大学计算机系。拥有18年企业级软件服务与大型电信增值业务软件研发经验，8年机器学习/深度学习研发及管理经验。曾在某大型公司担任技术管理人员，某创业公司任首席数据科学家。出版两本深度学习著作，申请了多项算法专利授权。

传统的股市技术分析书籍一般从图表模式和技术指标出发，分析如何选择进入点和退出点、开发交易系统以及制定成功的交易计划。近年来，机器学习与神经网络技术快速发展，并且与传统量化方法相结合，产生了无限的可能性。基于此趋势，本书将重点放在交易模型的构建上，即如何寻找合适的算法来实现交易以及如何优化这些算法。本书直接从技术指标等数据出发，介绍了交易模型与投资组合优化方法、如何利用基础算法（线性回归、lightGBM）预测股市的涨跌与股价、利用消息面来预测市场情绪、利用深度学习和强化学习算法预测股票，以及如何进行套利交易和网格交易等。 本书适合对投资有兴趣的人群阅读。

第一章 交易模型与投资组合 1
第1 节 建立底层交易逻辑 3
第2 节 交易策略的发展 4
第3 节 交易策略 6
第4 节 回测 14
第5 节 数据获取 20
第6 节 建立交易模型 23
第7 节 交易的特征工程 30
第8 节 投资组合优化 43
第二章 用机器学习预测股价 53
第1 节 机器学习过程 55
第2 节 回归模型：从风险到回报 57
第3 节 波动率预测与波动套利 61
第4 节 使用决策树追踪趋势 66
第5 节 提升交易策略稳定性 71
第三章 交易的情绪 75
第1 节 情绪分析原则 77节 情绪分析原则 77
第2 节 如何构建情绪指标 81
第3 节 基于词向量与句向量的新闻分析 84
第4 节 其他的情绪识别思路 88
第四章 用深度学习指导交易 89
第1 节 基础深度模型 91
第2 节 LSTM 可以用来选股吗 93
第3 节 双向LSTM 是否会更好 95
第4 节 GRU 优化了什么 96
第5 节 集成的CNN 结构 98
第6 节 关于选股模型的思考 104
第7 节 选股模型改进 107
第8 节 集成模型 122
第五章 在交易中应用强化学习 127
第1 节 强化学习基础框架 129
第2 节 手动实现股票买卖的强化学习网络 132
第3 节 改进DQN 网络 135
第4 节 回合制还是持续式：Actor-Critic 137
第5 节 稀疏奖励：好奇心提高agent 对环境的可知性 138
第6 节 神经网络自动进化：Neuro-evolution 141
第7 节 强化学习的框架选择 144
第8 节 设计一个符合交易系统的奖励 145
第9 节 双agent：选择交易时机和交易价格 146
第10 节 应用强化学习需要注意的事项 148
第六章 传统的指标：神奇还是普通 151
第1 节 斐波那契数列 152
第2 节 ABCD 交易法 154
第3 节 谐波模式 157
第4 节 自动找出谐波模式 160
第七章 高频交易 163
第1 节 套利交易：魔鬼的价差 164
第2 节 跳绳交易 166
第3 节 网格交易：利用好每一次波动 167
第4 节 搭建网格交易系统 169
第5 节 网格交易的常见问题与进阶 172
第6 节 高频交易框架 173
第八章 问答集 177
第1 节 预判性与跟随性 178
第2 节 有了算法后，还需要人工介入吗 178
第3 节 需要多大的资金规模 178
第4 节 如何预测黑天鹅事件 179
第5 节 什么是指数增强 179
第6 节 私募公司是如何开发策略的 180
第7 节 是否要在机器学习模型中单独区分行业 181
第8 节 指数是否重要 181
第9 节 追涨或打板 181
第10 节 股票池筛选原则 182
第11 节 如何设置机器学习的目标 182
第12 节 如何建立分类任务：二分类还是多分类 183
第13 节 如何确定长期、中期、短期的周期规律 183
第14 节 如何研究对手盘 184
第15 节 什么是冲击算法（下单算法） 185
第16 节 如何利用大模型进行研报的分析判断 187
第17 节 傻瓜的故事 190
附录A 192