建议周期:12周
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
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
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
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
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
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
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
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
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。
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。