[书单] 2020阅读书单

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》

  1. 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


已发布

分类

,

来自

标签:

评论

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据