一切福田,不離方寸,從心而覓,感無不通。

量化交易课程

一、课程总体规划

股票量化交易零基础实战课程

零基础入门

建议周期:12周

每天学习时间:2~3h

预计总投入时间:84~168h

最终实战成果

  • 能获取和清洗A股历史行情数据

  • 能编写股票筛选程序

  • 能独立设计量化交易策略

  • 能进行历史回测和收益分析

  • 能建立模拟交易系统

  • 理解实盘交易的风险和限制

12周学习路线

  1. 第一阶段:认识股票市场(第1周)

    • 股票、指数、ETF、基金的基本概念

    • A股交易规则、涨跌停、T+1

    • 什么是量化交易

    • 量化交易与普通炒股的区别

  2. 第二阶段:量化数学基础(第2周)

    • 收益率、复利、年化收益率

    • 均值、方差、标准差

    • 最大回撤、波动率

    • 胜率、盈亏比、夏普比率

  3. 第三阶段:Python量化编程(第3~4周)

    • Python数据处理

    • NumPy、Pandas

    • Matplotlib数据可视化

    • 股票行情数据获取

    • 数据清洗与分析

  4. 第四阶段:量化策略入门(第5~6周)

    • 均线策略

    • 双均线交叉策略

    • MACD策略

    • RSI策略

    • 成交量策略

  5. 第五阶段:量化回测(第7~8周)

    • 回测系统原理

    • 买卖信号生成

    • 手续费、滑点

    • 收益曲线

    • 最大回撤与策略评价

  6. 第六阶段:进阶策略(第9~10周)

    • 多因子选股

    • 动量因子

    • 价值因子

    • 市值因子

    • 因子组合与选股排名

  7. 第七阶段:完整实战项目(第11~12周)

    • 构建自己的量化选股系统

    • 股票池管理

    • 定时运行策略

    • 模拟交易

    • 交易日志与风险控制

二、我们使用什么技术工具?

不建议一开始就购买昂贵的软件或者订阅付费行情。

先用开源工具搭建学习环境。

工具 用途 学习阶段
Python 核心编程语言 全程
Pandas 股票数据处理 第3周
NumPy 数学计算 第2~3周
Matplotlib 绘制收益曲线 第3周
AKShare 获取A股行情数据 第3周
Jupyter Notebook 交互式研究策略 第3周
Backtrader 策略回测 第7周
Microsoft Qlib 进阶量化研究、机器学习 第9周以后

几个值得收藏的项目:

其中,AKShare可以帮助我们获取股票历史行情,Qlib则是后期学习机器学习量化策略的重要工具。

GitHub+2

我们的技术路线是:先用Python和Pandas自己实现策略,再学习成熟的回测框架,最后进入机器学习量化。

不要一上来就研究人工智能选股,否则很容易连模型为什么赚钱都搞不清楚。

三、第一周:从股票市场开始学

我把第一周安排得稍微细致一些。

天数 学习内容 实践任务
第1天 股票市场基本概念 认识股票交易
第2天 K线、成交量、价格 学会读K线
第3天 A股交易制度 理解T+1、涨跌停
第4天 什么是量化交易 理解策略与交易信号
第5天 收益率与复利 手工计算收益
第6天 量化策略案例 理解双均线策略
第7天 第一周总结 完成知识测试

我们先不急着写代码,先弄清楚自己究竟在研究什么。