01
因子投资基础回顾
因子定义、因子分类（基本面、技术、另类）、因子生命周期与Alpha衰减。
核心概念Alpha
02
机器学习在因子挖掘中的定位
传统线性模型 vs 机器学习模型、过拟合与泛化、因子挖掘的核心挑战。
ML基础过拟合
03
数据工程（上）
数据源选择（日频、高频、另类数据）、数据清洗与对齐、生存偏差与前瞻偏差。
数据清洗偏差
04
数据工程（下）
特征工程基础（标准化、中性化、哑变量处理）、时序与截面数据处理差异。
特征工程时序
05
基础因子库构建
动量因子、反转因子、波动率因子、流动性因子、质量因子的Python实现。
Python因子库
06
因子评价体系
IC/IR分析、分层回测、多空组合收益、换手率与容量分析。
评价回测
07
特征选择入门
过滤法（方差阈值、相关系数）、包裹法（RFE）、嵌入法（Lasso、树模型重要性）。
特征选择Lasso
08
线性模型挖掘因子
Lasso回归、Ridge回归、弹性网络在因子挖掘中的应用与实战。
线性模型正则化
09
树模型挖掘因子（上）
决策树与随机森林在因子挖掘中的实战、特征重要性分析。
随机森林重要性
10
树模型挖掘因子（下）
XGBoost与LightGBM在因子挖掘中的实战、超参数调优。
XGBoostLightGBM
11
神经网络挖掘因子（上）
MLP（多层感知机）在因子挖掘中的实战、网络结构设计。
MLP深度学习
12
神经网络挖掘因子（下）
LSTM与Transformer在时序因子挖掘中的应用。
LSTMTransformer
13
自编码器与因子合成
使用自编码器进行非线性因子合成、降噪与特征提取。
自编码器合成
14
强化学习与因子挖掘
使用强化学习进行动态因子选择与权重分配。
强化学习动态权重
15
因子组合优化
均值-方差优化、风险平价、Black-Litterman模型在因子组合中的应用。
组合优化风险平价
16
因子择时
基于市场状态的因子择时、使用HMM（隐马尔可夫模型）进行状态切换。
择时HMM
17
异质化因子挖掘
行业中性化、市值中性化、风格中性化处理。
中性化风格
18
另类数据因子挖掘（上）
文本情感分析（NLP）在因子挖掘中的应用。
NLP情感分析
19
另类数据因子挖掘（下）
卫星图像数据、供应链数据、舆情数据的因子化处理。
卫星供应链
20
因子挖掘的过拟合控制
交叉验证策略（滚动窗口、组合交叉验证）、正则化技术。
过拟合交叉验证
21
因子挖掘的回测框架搭建
使用Python构建事件驱动回测系统、滑点与交易成本模拟。
回测框架滑点
22
因子挖掘的生产化部署
模型序列化、特征流水线、实时推理架构。
部署MLOps
23
因子绩效归因
Brinson归因、Barra归因、因子暴露分析。
归因Barra
24
因子挖掘的统计学基础
多重假设检验校正（Bonferroni、FDR）、数据窥探偏差。
统计学FDR
25
因子挖掘的因果推断
使用双重机器学习（DML）进行因果因子挖掘。
因果推断DML
26
因子挖掘的对抗性验证
使用对抗性验证检测训练集与测试集的分布漂移。
对抗验证分布漂移
27
因子挖掘的集成学习
Stacking、Blending在因子挖掘中的应用。
集成学习Stacking
28
因子挖掘的自动化（AutoML）
使用AutoML工具（如Optuna、TPOT）自动搜索最优因子。
AutoMLOptuna
29
实战案例（上）：A股市场
A股市场多因子选股策略全流程实战。
A股多因子
30
实战案例（下）：加密货币
加密货币市场因子挖掘与策略构建。
加密货币策略