课程大纲
  • 量化交易概论：工程师的金融降维打击
    • 学习目标：
      • 理解什么是量化交易
      • 理解股票市场的潜在风险，理性投资
      • 课程所需要的软件配置
    • 知识点：
      • 什么是量化交易
      • 量化 vs 主观：克服贪婪与恐惧的数学解法
      • AI 时代的量化新趋势：从统计套利到 AI Agent 决策
      • 实盘交易风险须知
      • 程序化交易的潜在风险（穿仓、系统故障、网络延迟）
      • 资金管理原则：用闲钱、设止损、先模拟后实盘
      • 量化交易的合规边界
      • 配置 Python 量化开发环境（Anaconda、Jupyter、VSCode）
  • 金融市场速通：股票、期货与交易通道
    • 学习目标：
      • 理解不同股票市场的特点和区别
      • 理解股票市场各类投资产品的核心要素和优缺点
      • 学会看懂股票市场的各类数据图
    • 知识点：
      • A 股、港美股、期货市场的核心区别（T+0/T+1、涨跌幅、保证金等）
      • 交易微观结构：Order Book、L1/L2 数据、滑点与流动性
      • 工程师视角：如何像看系统日志一样读懂“盘口语言”
      • 券商 API 与实盘通道
      • 主流券商 QMT 开通条件对比
      • 迅投 XtQuant 生态介绍：QMT vs miniQMT
      • 模拟盘 vs 实盘的区别与选择
      • 注册 Tushare/Baostock 账号，获取第一份 A 股数据
  • 数据为王：金融数据的获取与清洗
    • 学习目标：
      • 学会获取并处理股票市场的数据
      • 掌握股票市场数据清洗的方法
    • 知识点：
      • 数据源介绍：Tushare、Baostock、YFinance 及 XtQuant 行情
      • 数据清洗实战：处理停牌、除权除息（复权）、缺失值填充
      • 设计统一的数据接口，支持多数据源切换
      • 编写自动化脚本，每日定时爬取并清洗核心行情数据（data/fetcher.py）
  • 风险与人性：不仅仅是代码
    • 学习目标：
      • 理解什么是仓位管理
      • 掌握股票和投资策略的多种评估指标
      • 初步理解量化策略的设计理念
    • 知识点：
      • 凯利公式：仓位管理的数学本质
      • 最大回撤、夏普比率、胜率与盈亏比：评估策略的“跑分软件”
      • 自我画像：激进型 vs 稳健型，如何根据性格选择策略？
      • 实现绩效指标计算模块（backtest/metrics.py）
  • 趋势跟踪策略：让利润奔跑
    • 学习目标：
      • 学会看懂股票市场的买卖情绪和交易信号
      • 理解双均线策略的设计逻辑
      • 动手设计实现双均线策略
    • 知识点：
      • 技术指标详解：MA（均线）、MACD、BOLL（布林带）
      • 策略逻辑：双均线金叉死叉策略的 Python 实现
      • 设计策略基类，统一信号输出格式
      • 实现双均线策略（strategy/ma_cross.py）
  • 均值回归策略：震荡市的克星
    • 学习目标：
      • 理解股票市场的涨跌幅指标，学会量化评估股价震荡水平
      • 理解网格交易策略的设计逻辑
      • 实现一个网格交易策略
    • 知识点：
      • 逻辑：涨多了必跌，跌多了必涨（RSI、KDJ）
      • 网格交易法（Grid Trading）：工程师最爱的“自动收租”机器
      • 编写网格交易脚本（strategy/grid_trade.py）
  • 动量与轮动策略：谁强买谁
    • 学习目标：
      • 理解什么是动量效应
      • 掌握轮动策略的设计逻辑
      • 动手实现一个轮动策略
    • 知识点：
      • 动量效应：强者恒强的市场规律
      • 行业轮动与 ETF 轮动策略：捕捉板块热点
      • 构建“20日涨幅排名”轮动策略（strategy/momentum.py）
  • 多因子选股模型：量化基金的秘密武器
    • 学习目标：
      • 掌握股票市场的各种影响因子
      • 学会如何选择出一只好股票
      • 学会构建多因子选股策略
    • 知识点：
      • 因子库拆解：估值（PE/PB）、成长（ROE）、情绪（换手率）
      • 打分法选股：如何用代码给4000只股票“考试排名”
      • 构建小市值多因子选股策略（strategy/multi_factor.py）
  • 套利策略入门：寻找市场的漏洞
    • 学习目标：
      • 掌握套利策略的设计逻辑
      • 掌握寻找套利空间的方法
    • 知识点：
      • 期现套利、统计配对交易（Pair Trading）原理
      • 风险极低但技术要求高的策略分析
      • 通过相关性分析寻找两只走势高度同步的股票
  • 回测系统搭建：验证你的“时光机”
    • 学习目标：
      • 掌握验证量化策略的方法
      • 学会如何避免策略过拟合
      • 搭建一个策略验证框架
    • 知识点：
      • 向量化回测 vs 事件驱动回测
      • 避免“未来函数”陷阱：量化新手的最大天坑
      • 回测引擎与策略模块的解耦设计
      • 使用 Backtrader 或自写回测框架验证策略（backtest/engine.py）
  • AI 财报分析师：基于 RAG 的投研系统（上）
    • 学习目标：
      • 掌握如何提取财报/研报的数据
      • 学会设计金融领域的投研系统
    • 知识点：
      • 非结构化数据处理：用 Python 提取 PDF 财报中的表格与文本
      • RAG 架构设计：向量数据库存储财报知识
      • 搭建财报文档处理流水线
  • AI 财报分析师：基于 RAG 的投研系统（下）
    • 学习目标：
      • 基于 RAG 系统搭建财报问答机器人
      • 学会如何设计提示词，利用 AI 准确提取报告中的有效信息
    • 知识点：
      • Prompt Engineering：教大模型像基金经理一样读财报
      • 提取营收、净利润、风险点等关键信息
      • 搭建“财报问答机器人”（ai/rag_report.py）
  • 舆情挖掘机：AI 大模型的情感分析
    • 学习目标：
      • 学会挖掘股市舆情
      • 开发基于舆情关键词的实时监控与推送程序
    • 知识点：
      • 利用大模型分析新闻、股吧、研报的情感倾向
      • 将舆情因子量化：情感得分如何影响次日开盘
      • 监控特定关键词，推送突发利好消息（ai/sentiment.py）
  • 智能投顾助理：Function Calling 的应用
    • 学习目标：
      • 基于大模型实现一个智能投顾助理
    • 知识点：
      • 自然语言转成 JSON 交易指令
      • 利用大模型查询账户、持仓与市场状态
      • 实现自然语言交易接口（ai/function_call.py）
  • 多智能体协作架构：LangGraph 入门（上）
    • 学习目标：
      • 理解金融机构中投资交易岗位的类型和主要职责
      • 针对不同岗位设计不同的智能体
      • 利用 LangGraph 构建智能体协作流程
    • 知识点：
      • 设计 TradingAgents 的角色
        • 数据 Agent：获取行情、财报数据
        • 分析 Agent：技术分析、情感分析
        • 风控 Agent：合规检查、仓位校验
        • 交易 Agent：生成下单指令
      • 搭建 LangGraph 工作流骨架（ai/agents/workflow.py）
  • 多智能体协作实战：LangGraph 应用（下）
    • 学习目标：
      • 完善多智能体的协作流程
      • 将智能体接入模拟盘，测试完整的投资交易流程
    • 知识点：
      • 工作流编排
        • 分析师提案、风控审核、交易执行
        • 条件分支与循环决策（如风控不通过时的处理）
      • 与 XtQuant 的集成预演
        • Agent 输出、交易信号、模拟下单
      • 完整的 AI 选股和信号生成流程演示
  • 机器学习在量化中的应用（轻量级）
    • 学习目标：
      • 利用机器学习算法搭建一个简单预测模型
      • 理解为何无法利用 AI 预测股价
    • 知识点：
      • 简单预测模型：XGBoost 或决策树进行涨跌二分类
      • 警告与反思：为什么 AI 预测股价很难
      • 训练一个简单的涨跌预测模型并评估
  • 代码辅助与策略生成
    • 学习目标：
      • 掌握 AI 编程工具的使用方法
      • 利用大模型及编程工具提升量化策略实现效率
    • 知识点：
      • 利用 Cursor/Trae/Lingma 编写复杂量化策略代码
      • 利用 AI 审核代码，寻找逻辑漏洞
      • 用 AI 辅助优化已有策略代码
  • 实盘交易接口：XtQuant 环境搭建
    • 学习目标：
      • 布置实盘交易的所需的软件
      • 掌握获取行情数据的方法
    • 知识点：
      • QMT 生态全景
        • 迅投 vs 券商版本 vs miniQMT 的关系
        • 支持的券商及开通门槛
      • XtQuant 环境配置
      • 行情数据获取（xtdata 模块）
        • 历史 K 线下载
        • 实时 Tick 订阅
        • 与 Tushare/Baostock 的数据源切换
      • 编写第一个 XtQuant 行情订阅脚本
  • 实盘下单系统：从信号到执行
    • 学习目标：
      • 掌握股票交易模块的基本功能及接入方法
      • 掌握从买卖信号到交易指令的工程设计思路
      • 学会将量化交易策略接入模拟盘
    • 知识点：
      • XtQuant 交易模块详解（xttrader）
        • 下单接口：order_stock、order_value
        • 撤单、查询持仓、查询委托
        • 回调机制：成交推送、状态变更
      • 信号转交易的工程设计
        • 从策略信号到 JSON 指令再到下单执行
        • 防重复下单、订单状态机
      • 将双均线策略接入模拟交易（execution/live_trade.py）
  • 风控系统：程序交易的安全阀
    • 学习目标：
      • 理解风控系统的核心指标及作用
      • 了解风控系统中的必备组件
      • 将风控模块加入下单系统
    • 知识点：
      • 硬编码风控规则
        • 单笔最大亏损限制
        • 单日最大回撤强平
        • 持仓集中度检查
      • 熔断机制
        • 程序出错时的自动保护
        • 网络断连的重连策略
        • 异常订单的自动撤销
      • 为下单系统加装风控模块（execution/risk_control.py）
  • 策略调优与实战复盘
    • 学习目标：
      • 掌握归因分析方法
      • 学会持续迭代自己的量化策略
    • 知识点：
      • 参数扫描：寻找最优均线参数
      • 防止“过拟合”：样本内与样本外测试
      • 归因分析：赚的是运气的钱，还是策略的钱
      • 模拟盘运行一周后的数据分析与策略迭代
  • 构建个人的量化工作台
    • 学习目标：
      • 基于前期的学习内容，为自己搭建量化工作台
    • 知识点：
      • 使用 Streamlit 搭建可视化看板
      • 整合全部模块
        • 行情监控面板
        • AI 研报问答入口
        • 账户净值曲线
        • 策略开关与参数调整
        • 多智能体工作流状态
      • 搭建完整的量化工作台（dashboard/app.py + main.py）
  • 课程总结与进阶之路
    • 学习目标：
      • 复习与回顾课程内容
      • 量化交易的持续进阶方法
      • 逐步找到适合自己的量化交易策略
    • 知识点：
      • 课程知识体系回顾
      • 量化圈的职业发展路径
      • 进阶拓展方向
        • 微软 Qlib：更强大的因子挖掘与模型训练
        • RD-Agent：自动化研发代理，自动读论文生成策略
        • 高频交易与算法单优化
      • 你适合怎样的量化交易策略
      • 制定个人量化交易计划
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。