发现一些博主都有记录书单的好习惯，而且越牛的大佬书单越是长。所以我就从此开始记录一下读过的书吧。
《Python数据分析基础教程, Numpy学习指南(第二版)》
英文书名Numpy Beginner’s Guide, Second Edition
薄薄一本书，作为Numpy入门可以，但是我更推荐Numpy和Pandas官方的文档，因为本质上都是一些接口介绍和例子，还不如直接搜最新的看。
推荐指数：2/5
《量化股票组合管理——积极性投资组合构建和管理的方法》
英文名是Quantitative Equity Portfolio Management, An Active Approach to Portfolio Construction and Management.
这本书对于我这种金融初学者是很友好的，由浅入深介绍一些量化的基本概念，全书的公式量不是很多，基本上能够看得懂。全书主要围绕因子以及股票组合展开，从因子模型的构建到投资组合的构建，再到交易成本和绩效分析，整套流程都过了一遍。
一些缺点：一些深入的内容是一笔带过的。另外寻觅机器学习的读者是无法从本书中获益的。这个跟这本书的性质有关。总的来说是一本不错的入门书，类比一下就是《C++ Primer》以上，《Effective C++》未满。
推荐指数：4/5
《积极性投资组合管理——控制风险获取超额收益的数量方法》
A Quantitative Approach for Providing Superior Returns and Controlling Risk.
这是本不错的书。上面一本是初级，这本我认为是中级。书中公式量和难度明显高了一节，说实话书中的一些公式我没有完全看懂，所以它是值得你遇到问题时再细看一两遍的那种书。CAPM、风险、收益分解、估价、信息处理、执行……想找的量化关键词，里面都有，而且例子和公式并存。本书中仍以因子为突破点，讨论α和β收益，以及一丢丢机器学习的苗头。另外我觉得这本书更像一本教材，因为后面还有练习题。
缺点：需要一些线性代数基础知识，公式多了一些。另外此书讨论的股票操作周期是偏低频的（日频、周频为主），希望做高频一点分析的话，可能理论体系不能完全适用。
推荐指数：4/5
Mastering the C++17 STL
这本书是Kindle上买的，主要介绍C++17的新特性，讲的还挺全面，并且有理有据有例子。相比C++11/14之流，C++17在语言特性上又丰富了不少。至于这种更新是好是坏，我觉得至少它比C++20让我看得懂一些吧。
推荐指数: 3/5
《一九八四》
这本书是奥威尔的经典之作，其实是基于现实的科幻。文中的一些点，很遗憾，我在当今社会已经看到了苗头，并且我真希望它不不要继续进展下去。鉴于本站是ICP备案的良好网站，我就不细说了。
推荐指数：5/5
同样推荐的还有《美丽新世界》(推荐指数3/5)，写的没这本扣人心魂。
《Python 源码深度剖析》
这是一个在线付费书籍（作者不是我）https://www.imooc.com/read/76。
有一本Python2时代的《Python 源码剖析》是非常经典的，但是原作者断更很久了。这本看下来，作为C++/Python coder，我基本上能对Python里面发生的一些细节有更深的了解，并且这个书的插图配的很好，比阅读干巴巴的文字更有效率。需要一点点的C++以及操作系统、数据结构的背景知识，就能比较流畅地阅读了。
推荐指数：4/5
《Python深度学习》
- 基于Keras的Python深度学习入门手册。适合我这种机器学习菜，书中内容以实践为主，基础知识介绍地比较全面，但是一些细节是不会去深入的。有点像Tutorial吧。
推荐指数：3/5
Hands-On Machine Learning for Algorithmic Trading: Design and Implement investment strategies based on smart algorithms that learn from data using Python
好家伙，这个书名够长的！这本书写的有点“强行拼凑”的感觉，前面开篇介绍一些金融的基础知识，基本上属于非常浅的知识，后面开始介绍各种ML模型，Topic Modelling, Word Embedding, CNN, RNN, RL真的是应有尽有，但是介绍完一通后，和“因子”“量价”沾边的比例不是很大，有些是强行扯上关系，当然你叫它“基本面量化”我也不大好反对。
推荐指数：1/5
发表回复