- 什么是量化择时
- 量化择时的核心逻辑
- 传统择时 vs 机器学习择时
- 课程目标与学习路径
- 股票、期货、ETF等交易品种
- K线图与成交量
- 交易时间与规则
- 市场微观结构简介
- Anaconda安装
- Jupyter Notebook配置
- pandas/numpy/matplotlib安装
- tushare/akshare数据接口配置
- 使用tushare获取日线数据
- 数据缺失值处理
- 复权价格计算
- 数据对齐与重采样
- 移动平均线(MA)
- MACD、RSI、布林带、ATR
- 使用pandas高效计算
- 什么是特征
- 特征提取方法
- 滚动窗口统计特征
- 滞后特征、差分特征
- 未来收益率计算
- 分类标签(涨/跌/平)
- 回归标签(收益率)
- 时间序列交叉验证
- 监督学习 vs 非监督学习
- 过拟合与欠拟合
- 训练集/验证集/测试集划分
- 评估指标(准确率、精确率、召回率、F1、AUC)
- 逻辑回归原理
- 在择时中的应用
- sklearn实现
- 模型参数调优
- SVM原理
- 核函数选择
- SVM在分类择时中的应用
- 超参数搜索
- 决策树原理
- 随机森林集成学习
- 特征重要性分析
- 防止过拟合策略
- XGBoost原理
- LightGBM优势
- 早停法
- 模型保存与加载
- 感知机、多层感知机(MLP)
- 激活函数
- PyTorch/TensorFlow搭建简单择时模型
- RNN与LSTM原理
- 序列数据构建
- LSTM在择时中的应用
- 滑窗预测
- 回测框架搭建
- 夏普比率、最大回撤
- 年化收益率、Calmar比率
- 交叉验证、学习曲线
- 正则化(L1/L2)
- 早停法、特征选择
- Stacking、Blending、Voting
- 模型融合实战
- 传统多因子模型
- 因子IC/IR
- 机器学习因子挖掘
- 因子组合优化
- 强化学习基本概念
- Q-learning、DQN在择时中的应用
- 环境搭建
- Tick数据获取
- 订单簿特征
- 微观结构指标
- 高频交易策略
- 新闻情感分析
- 舆情数据获取
- NLP情感打分
- 事件驱动策略
- 仓位管理、凯利公式
- VaR与CVaR
- 止损策略、黑天鹅防范
- CTP接口、券商API
- 模拟交易环境
- 订单管理、滑点模拟
- XGBoost+MLP+LSTM投票
- 动态权重、绩效分析
- 量化投资职业路径
- 论文推荐、开源项目
- 社区资源、持续学习建议