《Python金融量化分析》是有关Python在金融量化分析领域应用的一本从入门到精通类图书。全书分4篇共10章。第1篇（第1～3章）简单介绍了Python的基础知识，包括数据类型、循环体、函数、类与面向对象，以及常用的标准库与扩展库；第2篇（第4～6章）介绍了Python在金融量化交易中的应用，包括资产类别、衍生品等金融基础知识，数学与统计学基础知识，以及量化投资策略开发的一般化流程；第3篇（第7、8章）介绍了Python在量化风险管理中的应用，包括风险类别的介绍、市场因子的模拟，以及投资组合优化；第4篇（第9、10章）用5个实战案例具体演示了Python在金融量化分析中的应用。
《Python金融量化分析》适合具备一定数学、金融、计算机基础及编程经验的专业技术人员阅读学习，也适合相关专业高年级本科生、研究生学习参考。

马萌，美国杜兰大学数学硕士，量化基金经理，8年量化投资经验。著有《MATLAB量化金融分析基础与实战》。曾就职于阿里巴巴集团，任算法专家，精通机器学习及深度学习在金融行业的实战应用，目前主要研究方向为二级市场高频交易。

前言
第1篇 Python相关知识
第1章 Python基础知识
1.1 数据类型
1.1.1 字符串
1.1.2 列表
1.1.3 元组
1.1.4 字典
1.2 运算符
1.2.1 算术运算符
1.2.2 比较运算符
1.2.3 赋值运算符
1.2.4 位运算符
1.3 条件语句
1.4 循环语句及嵌套
1.4.1 while循环
1.4.2 for循环
1.4.3 嵌套、break与continue
1.5 函数
1.5.1 参数传递
1.5.2 不定长参数
1.5.3 返回值
第2章 类与面向对象
2.1 类的基本概念
2.2 类的属性
2.2.1 类属性
2.2.2 实例属性
2.3 类的方法
2.3.1 实例方法
2.3.2 类方法
2.3.3 静态方法
2.4 类的继承
2.5 运算符重载
2.6 私有与保护类型
2.7 直接赋值、浅复制和深度复制
第3章 模块、包与库
3.1 模块的基本概念
3.1.1 模块的__dict__属性
3.1.2 导入模块的几种方法
3.1.3 if__name__==__main__
3.2 常用的标准库模块
3.2.1 sys
3.2.2 os
3.2.3 glob
3.2.4 datetime
3.2.5 math
3.2.6 thread
3.2.7 urllib
3.3 扩展程序库numPy
3.3.1 numPy.ndarrays
3.3.2 numPy数组的基本运算
3.3.3 矩阵运算与随机数生成
3.4 扩展程序库pandas
3.4.1 Series与DataFrame
3.4.2 apply
3.4.3 merge和append
3.4.4 groupby
3.4.5 read_csv和to_csv
3.5 扩展程序库matplotlib
3.5.1 figure与add_subplot
3.5.2 matplotlib.pyplot.axes
第2篇 Python在量化交易中的运用
第4章 金融基础知识
4.1 金融资产类别
4.1.1 固定收益
4.1.2 外汇
4.1.3 权益
4.1.4 商品
4.1.5 信用
4.2 金融衍生品
4.2.1 远期与期货合约
4.2.2 期权
4.2.3 互换
4.2.4 其他衍生品
4.3 场内交易与场外交易
4.4 实例：用Python求欧式期权的隐含波动率
第5章 数学与统计学基础知识
5.1 统计学中常见的概率分布
5.1.1 离散型概率分布
5.1.2 连续型概率分布
5.2 贝叶斯公式
5.3 蒙特卡洛模拟与中心极限定理
5.4 随机过程与时间序列
5.5 几种经典随机过程模型
5.5.1 分式布朗运动
5.5.2 马尔可夫过程
5.6 常见的统计学习方法
5.6.1 线性回归与逻辑回归
5.6.2 决策树与随机森林
5.6.3 K-均值算法
5.6.4 神经网络与深度学习
5.7 数值计算方法
5.7.1 牛顿法
5.7.2 梯度下降法
5.7.3 有限差分法
5.8 实例：用深度学习处理分类问题
第6章 量化交易与投资策略开发
6.1 量化交易的市场现状
6.2 P-Quant与Q-Quant
6.3 量化投资策略的类别
6.4 策略开发的一些思路
6.5 数据的收集整理与修正
6.5.1 日期的格式
6.5.2 文件传输格式
6.5.3 数据质量问题的处理
6.6 程序和模型的测试与分析
6.6.1 单元测试
6.6.2 异常处理
6.6.3 模型测试
6.7 回测、模拟盘与实盘分析
6.8 实例：Python爬虫获取公司财务数据
第3篇 Python在量化风险管理中的应用
第7章 量化风险管理的基础知识
7.1 什么是量化风险管理
7.2 市场风险
7.2.1 风险价值（VaR）
7.2.2 预期亏损（ES）
7.2.3 历史模拟与蒙特卡洛
7.3 信用风险
7.3.1 额外的时间维度
7.3.2 潜在未来敞口（PFE）
7.3.3 正向敞口期望（EPE）
7.3.4 违约概率（PD）
7.4 操作风险
7.4.1 帕累托分布
7.4.2 不平衡样本
7.5 投资组合的风险度量
7.5.1 波动率
7.5.2 大回撤
7.6 实例：大回撤的O(n)复杂度的算法
第8章 市场因子模型与组合优化
8.1 资本资产定价模型
8.1.1 股票指数与个股
8.1.2 特异波动率
8.2 市场因子的相关矩阵
8.2.1 Cholesky分解
8.2.2 模拟指数与个股的走势
8.3 市场因子的主成分分析
8.3.1 期货合约的相关性
8.3.2 主成分分析的数学原理
8.3.3 用Python做主成分分析
8.3.4 用主成分做模拟
8.4 正态分布与肥尾分布
8.4.1 股票回报率的肥尾现象
8.4.2 正态分布的肥尾修正
8.5 投资组合优化
8.5.1 Markowitz均值-方差模型
8.5.2 数值方法优化投资比例
8.5.3 无风险收益率非零情况下的优化