第 8 章 · 01 核心书目导读:ML4T、Active Portfolio、Advance...

第 8 章 · 01 核心书目导读:ML4T、Active Portfolio、Advances in FM

本节摘要:本节基于 quant-wiki docs/library 的 80+ 本量化金融书目,精选三本必读书做导读。《Machine Learning for Algorithmic Trading》(Stefan Jansen,本系列另一教程 ML4T 的核心)是「从机器学习到交易系统」最全面的实战手册;《Active Portfolio Management》(Grinold & Kahn)是主动管理理论的圣经,信息比率、主动收益、残差风险的奠基之作;《Advances in Financial Machine Learning》(Marcos López de Prado)颠覆传统机器学习在金融的用法,提出交叉验证陷阱、元标签、HRP 等关键方法。此外还导读《101 Formulaic Alphas》、《Advances in Active Portfolio Management: A New Look...》与石川《因子投资》。本节给每本书的定位、读法、章节重点,帮你制定阅读计划。素材来自 docs/library。

内容来源:quant-wiki docs/library(book 目录与 overview),知识结构化整理。

⚠️ 学习提示:量化金融书目「多到读不完」。与其贪多,不如精读三本核心,把第一本做透胜过把十本翻一遍。本节目标是帮你在 80+ 本里选对起点。

学习目标

阅读完本节,你应当能够:

1. 制定一份核心书目的阅读计划(优先级与时间投入)。
2. 说清 ML4T、Active Portfolio、Advances in FM 三本必读书各自的定位与读法。
3. 列举 López de Prado 提出的金融 ML 关键陷阱(交叉验证、过拟合)。
4. 描述 101 Formulaic Alphas 在因子挖掘里的地位。
5. 用 docs/library 的分级体系(入门/进阶/前沿)规划自己的书单。

一、docs/library 的全景

docs/library overview 把 80+ 本书按主题分成几大类:

此外 docs/library/book 下还有 beginner.md、advanced.md、programming.md、ai-quant.md 等分级索引,便于按水平与方向选书。

💡 选书策略:先按你的水平(入门/进阶/前沿)和方向(交易/研究/工程/面试)定位,再在大类里挑 1-2 本精读。不要被「80+ 本」吓到,精读三本远胜翻阅十本。

二、Machine Learning for Algorithmic Trading(ML4T)

2.1 定位

Stefan Jansen 的《Machine Learning for Algorithmistic Trading》(第二版)是「从机器学习到交易系统」最全面的实战手册,也是本系列另一教程 ML4T 的核心参考。它覆盖了从数据获取、特征工程、模型训练到策略部署的全流程,代码量大、工程性强。

2.2 章节重点

ML4T 的内容大致分四块:

• 市场与数据:NLP/文本数据、不同频率数据的处理;
• 基础 ML:线性模型、时间序列、贝叶斯机器学习;
• 深度学习:CNN、RNN/LSTM、Transformer、强化学习(DQN、PPO);
• 交易系统:回测、风险、部署。

2.3 读法建议

• 代码优先:ML4T 的精华在 GitHub 配套代码,边读边跑,边改边学;
• 选读:不必通读 800+ 页,按你的兴趣(比如自然语言、强化学习)挑章节;
• 配合本系列:本系列的 ML4T 教程是这本书的「中文导读 + 实战精简版」,可对照学习。

💡 与第 6 章呼应:ML4T 的强化学习章节是第 6 章 TradeMaster 的基础铺垫,Transformer 章节是第 6 章 docs/ai/llm/Transformer 的工程实现。

三、Active Portfolio Management(主动投资组合管理)

3.1 定位

Grinold & Kahn 的《Active Portfolio Management》是主动管理理论的圣经,由 Barr Rosenberg 风险模型(第 7 章第 3 节的 Barra 创始人)的思想延伸而来。它把「主动管理」形式化为「追求信息比率(Information Ratio)最大化」。

3.2 核心概念

这本书贡献了主动管理的几个奠基概念:

• 信息比率(IR):主动收益 α 除以主动风险(残差风险的跟踪误差),IR = α/ω;
• 预期收益的基本定律:IR ≈ IC × √(BR),即 IR 等于信息系数 IC 乘以独立下注次数 BR 的平方根;
• 残差收益:剥离 Beta 后的纯 alpha 部分;
• 主动风险:组合相对基准的跟踪误差。

3.3 读法建议

• 数学密集:这本书公式多、推导细,适合有一定数学基础的读者;
• 挑章节读:第 1-6 章是核心(信息比率、基本定律、残差收益),后续章节可按需读;
• 配合实践:读完第 7 章本系列的多因子与 Barra,再读这本书,会理解「主动管理 = 在 Barra 风险框架下最大化 alpha/ω」。

docs/library 还收录了《Advances in Active Portfolio Management: A New Look...》(前沿专题下),是 Grinold & Kahn 经典的 21 世纪更新版,补充了多因子、机器学习等新内容。

💡 与第 7 章呼应:Active Portfolio Management 是第 7 章 CAPM/Fama-French、多因子、Barra 的「理论母体」。理解这本书,就能把第 7 章的方法论串成一条线。

四、Advances in Financial Machine Learning(López de Prado)

4.1 定位

Marcos López de Prado 的《Advances in Financial Machine Learning》(AFML)颠覆了传统机器学习在金融的用法,被 docs/library 收录在前沿专题下。它不是教你「怎么用 ML」,而是教你「金融里用 ML 的那些坑」。

4.2 关键贡献

AFML 的几个颠覆性观点:

• 交叉验证陷阱:金融时序数据用标准 K-fold 会导致信息泄露(训练集与测试集时间重叠),应改用「组合交叉验证」(Combinatorial Purged CV);
• 元标签(Meta-Labeling):把「买什么」与「下多大注」分两个模型,降低过拟合;
• HRP(层次风险平价):第 7 章第 4 节详解的稳健配置方法;
• 分数差分:让时间序列「既平稳又保留记忆」,平衡差分与记忆;
• 回测过拟合的概率上界:用 PBO(Probability of Backtest Overfitting)量化回测过拟合风险。

4.3 读法建议

• 反直觉:AFML 的观点常反直觉(比如「不要用标准交叉验证」),需要先有 ML 基础才能体会其洞察;
• 挑章节:第 7、11、12 章(交叉验证、回测、HRP)是精华,优先读;
• 配合第 7 章:本系列第 7 章第 4 节的 HRP 与本节直接对应;第 6 章的过拟合讨论与 AFML 的 PBO 思想呼应。

⚠️ 陷阱:AFML 的方法虽好,但实现复杂(组合交叉验证、PBO 都需自实现代码)。初学者可先理解思想,实践时用现成库(比如 financial-machine-learning 等)。

五、其他重要书目

5.1 101 Formulaic Alphas

《101 Formulaic Alphas》(Zura Kakushadze 2015)列出 101 个公式化 Alpha 因子,全部用算子(CODE)表示,如:

Alpha#1: (rank(ts_argmax(SignedPower(((returns < 0) ? stddev(returns, 20) : close), 2.), 5)) - 0.5)
​

它在因子挖掘里的地位相当于「公开的因子库起点」,许多机构用它作 baseline,再扩展到自家因子。docs/library/量化交易 下收录。

5.2 Finding Alphas

《Finding Alphas》(Igor Tulchinsky 等)是世界量化(WorldQuant)的 alpha 挖掘方法论,提出「alpha = 一个试图预测未来收益的数学表达式」,强调 alpha 的可叠加性与 alpha 工厂思想。

5.3 石川《因子投资》

石川的《因子投资:被遗忘的另一半》是中文世界最系统的因子投资入门书,覆盖了因子检验、IC/IR、协方差、风险模型等。docs/library 的中文书目下收录,适合中文读者建立基础。

5.4 面试书

• Heard On The Street:华尔街量化面试题,偏脑筋急转弯与数学;
• Frequently Asked Questions In Quantitative Finance(Paul Wilmott,黄皮书):量化金融常见问答;
• quant job interview questions and answers:经典的「量化面试 150 题」(绿皮书)。

第 3 节(求职与面试)会专门讲这些书的用法。

六、阅读路径建议

基于 docs/library 的分级,推荐一条循序渐进的路径:

6.1 入门阶段(0-6 个月)

• 石川《因子投资》——中文世界最友好的入门;
• 《Python for Finance Cookbook》——动手能力;
• 本系列第 1-4 章——基础打底。

6.2 进阶阶段(6-18 个月)

• Active Portfolio Management(Grinold & Kahn)——主动管理理论;
• ML4T(Jansen)——机器学习交易;
• 本系列第 5-7 章——策略与组合深化。

6.3 前沿阶段(18 个月以上)

• Advances in Financial Machine Learning(López de Prado)——金融 ML 的坑;
• Advances in Active Portfolio Management——主动管理新进展;
• 101 Formulaic Alphas + Finding Alphas——因子挖掘;
• 按 docs/ai 论文清单(第 6 章第 4 节)追前沿。

💡 心法:量化职业是马拉松,书单决定起点。不必急于一时,按自己的节奏推进。每读完一本,写一份笔记或做一个复现项目,远比单纯阅读更有效。

本节要点回顾

1. docs/library 全景:80+ 本分 AI/ML、量化交易、基础理论、编程、面试几大类,有 beginner/advanced/programming 分级索引。
2. ML4T:机器学习交易最全面的实战手册,代码优先,配合本系列 ML4T 教程学。
3. Active Portfolio Management:主动管理圣经,IR = IC×√BR 是核心公式,信息比率最大化是目标。
4. Advances in FM:López de Prado 的金融 ML,组合交叉验证、元标签、HRP、PBO 是关键贡献。
5. 其他书目:101 Formulaic Alphas(因子库)、Finding Alphas(Alpha 工厂)、石川《因子投资》(中文入门)、面试书三种。
6. 阅读路径:入门(石川+Python+第1-4章)→ 进阶(APM+ML4T+第5-7章)→ 前沿(AFML+论文清单)。

下一节,我们看行业内幕与大师:卖方/买方/对冲基金生态、Simons/文艺复兴、Citadel vs Millennium、Julian Robertson。