[中英对照] Python 整洁金融：从理论到实证的完整指南

（中英对照版电子书） 在内容架构上，全书分为五个主要部分，逻辑清晰且层层递进。第一部分 “入门基础”，首先帮助读者搭建 Python 开发环境，详细介绍了两种便捷的安装方式 —— 通过 Anaconda 搭配 Spyder 使用，以及通过 RStudio 安装，满足不同读者的使用习惯。随后引入 “整洁金融” 的核心概念，以雅虎财经的股票数据为例，演示如何运用 pandas、numpy 处理数据，借助 plotnine 进行可视化，让读者初步掌握金融数据处理的基本流程，比如下载股票价格数据、计算日收益率、分析收益率分布特征等。 第二部分 “金融数据” 是全书的数据基础章节，重点讲解如何获取和管理金融研究中常用的各类数据。书中不仅介绍了如何获取 Fama-French 因子、q 因子、宏观经济预测变量等开源数据，还详细阐述了如何处理 WRDS 平台上的 CRSP（证券价格研究中心）、Compustat（标准普尔全球市场情报的会计数据库）、TRACE（金融行业监管局的公司债券交易报告系统）和 Mergent FISD（固定收益证券数据库）等核心金融数据库。作者提供了完整的代码，指导读者将这些数据整理后存入 SQLite 数据库，为后续章节的实证分析奠定统一的数据基础，同时还分享了数据库管理的实用技巧，如优化数据库文件大小的 VACUUM 命令使用方法。 第三部分 “资产定价” 聚焦实证资产定价的关键概念与方法。从 Beta 估计入手，介绍了基于月度和日度收益的 Beta 估算方法，以及滚动窗口估计和并行化滚动窗口估计技术，帮助读者理解不同频率数据和估算方法对 Beta 结果的影响。随后深入讲解单变量投资组合排序，以市场 Beta 为排序变量，演示如何构建投资组合并评估其绩效，还引入功能编程思想，实现任意数量投资组合的构建。此外，该部分还探讨了规模排序与 p-hacking 问题，分析了不同选择（如交易所、行业、加权方式、时间区间）对规模溢价的影响，提醒读者关注研究中的方法论不确定性；介绍双变量排序，以公司规模和账面市值比为例，对比独立排序和依赖排序两种方式的差异；最后完整复现了著名的 Fama-French 三因子和五因子模型，通过回归分析验证复现结果的准确性，让读者深入掌握因子构建的核心逻辑。 第四部分 “建模与机器学习” 将传统计量模型与机器学习方法融入金融研究。首先介绍固定效应回归和聚类标准误，以公司投资回归为例，说明如何处理面板数据中的遗漏变量偏误和残差相关性问题，提升回归结果的可靠性。接着以巴黎协定对污染企业债券收益率的影响为例，演示双重差分（DID）方法在政策评估中的应用，包括平行趋势假设的可视化检验。在机器学习方面，书中以因子选择为目标，系统介绍了岭回归（Ridge）、套索回归（Lasso）和弹性网（Elastic Net）等 penalized 回归模型，详细讲解了基于 scikit-learn 的机器学习工作流，包括数据预处理、模型构建、拟合、调优（如时间序列交叉验证）和评估，还展示了随机森林、神经网络等机器学习模型在期权定价中的应用，通过模拟 Black-Scholes 期权定价数据，让读者见证机器学习模型对复杂非线性关系的拟合能力。 第五部分 “投资组合优化” 关注实际投资场景中的组合构建与回测。介绍参数化投资组合策略，将最优组合权重表示为股票特征的函数，通过最大化投资者期望效用确定最优参数，避免了传统均值 - 方差优化中估计大量均值和协方差的难题，适用于大规模资产组合。随后探讨带约束的优化与回测，考虑交易成本和投资约束（如禁止卖空、Regulation-T 保证金约束），借助数值优化方法（如 SLSQP 算法）求解有约束的投资组合选择问题，并设计了样本外回测流程，对比均值 - 方差组合、考虑交易成本的均值 - 方差组合和等权重组合的绩效，揭示交易成本对组合绩效的显著影响，为实际投资决策提供参考。 本书的核心特色在于其高度的可复现性和实用性。每章均提供完整代码，读者只需复制粘贴即可复现所有图表和数值结果；章节设计相对独立，读者可根据需求选择性阅读，同时数据章节为后续分析提供了统一的数据管理框架；在机器学习部分，以 “整洁原则” 为指导，帮助读者理解如何将机器学习方法有效应用于因子选择和期权定价等金融问题；书中还包含大量基于经典课程设计的习题，助力读者深化对内容的理解，既可用于自学，也为教学提供了丰富素材。 无论是金融专业的本科生、研究生，希望获取实证研究工具；高校教师，寻找实证金融课程的教学材料；还是金融从业者（如投资组合经理、数据分析师），需要验证交易思路或处理金融数据，本书都能提供切实的帮助。它不是一本 Python 入门书籍，而是一本专注于如何运用 Python 开展规范、可复现金融实证研究的实用指南，帮助读者跨越金融理论与数据实践之间的鸿沟，提升金融实证分析能力。