第一章量化交易之路，先简介量化交易的概念、特点，再介绍主要流程及常见陷阱。第二章技术面量化交易，先介绍技术分析的常用指标及优缺点，再介绍技术分析量化交易策略。第三章基本面量化交易，先介绍基本面投资的主要逻辑及优缺点，再介绍基本面量化交易策略。第四章多因子策略，先介绍多因子定价理论，再介绍单因子分析方法，最后介绍多因子的因子合成及因子择时技术。第五章从多因子到人工智能，先谈多因子与人工智能技术的契合点，然后简单介绍人工智能技术涉及的基础数学知识，最后介绍常用的人工智能技术。第六章机器学习选股策略实践，介绍常见的人工智能技术在选股上的应用，并结合实践经验介绍几种有效的选股策略优化方法。第七章最新发展，谈图神经网络、自然语言处理等新技术在量化交易中的应用。

第1章 股市量化投资之路
1.1 股票量化交易简介
1.1.1 概念
1.1.2 特点
1.2 量化交易的基本流程
1.2.1 数据获取
1.2.2 数据预处理
1.2.3 策略构建
1.2.4 回测
1.2.5 模拟交易
1.2.6 实盘交易
1.3 量化交易的常见陷阱及应对
1.3.1 幸存者偏差
1.3.2 前视偏差
1.3.3 数据迁就偏差
1.3.4 交易成本估计不足
1.3.5 偷价
1.4 国内主流股票量化交易策略
1.4.1 市场中性策略
1.4.2 量化多头策略
1.4.3 策略Alpha来源
1.5 如何走上自己的量化交易之路
1.5.1 应该学习哪些基础知识
1.5.2 怎么找到适合自己的策略
1.5.3 如何选择策略回测和实盘平台
第2章 技术面量化交易
2.1 技术分析简介
2.2 技术分析与量化交易
2.2.1 图表形态
2.2.2 技术指标
2.3 对股票价格走势的再认识
2.3.1 行为金融学解释
2.3.2 统计检验
2.4 技术分析量化策略示例——海龟交易系统
2.4.1 原理
2.4.2 策略实现
第3章 基本面量化交易
3.1 基本面分析简介
3.1.1 概念
3.1.2 分析方法
3.1.3 基本面分析的优劣
3.2 宏观经济基本面与股市
3.2.1 格兰杰因果关系检验
3.2.2 用宏观经济指标做股指择时
3.3 行业基本面分析
3.3.1 行业分类
3.3.2 行业分析的基础框架
3.3.3 行业估值分析
3.3.4 行业轮动
3.4 公司基本面分析
3.4.1 财务报告简介
3.4.2 主要公司基本面指标
3.4.3 公司估值方法
3.5 神奇公式选股策略实现
第4章 因子投资
4.1 因子模型基础知识
4.1.1 因子模型
4.1.2 时间序列因子
4.1.3 横截面因子
4.2 单因子测试流程
4.2.1 数据获取
4.2.2 数据处理
4.2.3 单因子测试
4.3 因子选择
4.3.1 用方差膨胀因子判断多重共线性
4.3.2 逐步回归
4.4 因子正交
4.4.1 施密特正交
4.4.2 规范正交
4.4.3 对称正交
4.4.4 对比总结
4.5 因子合成
4.5.1 估值因子计算
4.5.2 最大化IC_IR加权法
4.5.3 最大化IC法
4.5.4 主成分分析（PCA）法
4.6 因子择时
4.6.1 外生变量择时
4.6.2 内生变量择时
第5章 从因子投资到人工智能
5.1 将人工智能用于因子投资
5.1.1 机器学习因子投资的基本流程
5.1.2 机器学习因子投资的局限性
5.2 数据预处理
5.2.1 特征工程
5.2.2 标签设置
5.2.3 特征与标签的结合
5.3 常用监督学习模型
5.3.1 广义线性回归
5.3.2 树模型
5.3.3 支持向量机
5.3.4 神经网络
5.4 训练和验证
5.4.1 模型评估
5.4.2 模型选择
第6章 机器学习因子选股策略实践
6.1 基础机器学习模型
6.1.1 线性回归
6.1.2 逻辑回归
6.1.3 支持向量机
6.1.4 决策树
6.2 集成学习方法
6.2.1 投票法
6.2.2 装袋法
6.2.3 提升法
6.2.4 堆叠法
6.3 深度学习模型初探
6.3.1 多层感知器
6.3.2 卷积神经网络
6.3.3 TabNet
6.4 模型优化
6.4.1 特征选择
6.4.2 另类标签设置及合成
6.4.3 超参数调优
6.4.4 非平衡数据集处理
6.5 组合优化
6.5.1 采样频率及调仓周期
6.5.2 组合优化模型
第7章 前沿技术在量化投资中的应用
7.1 图神经网络
7.1.1 图神经网络基本原理
7.1.2 图神经网络代表模型
7.1.3 图神经网络在投资中的应用
7.2 语言模型
7.2.1 语言模型发展历程
7.2.2 Transformer简介
7.2.3 现阶段代表模型
7.2.4 LLM在投资中的应用
参考文献