01
市场状态聚类基础
市场状态的定义、为什么需要状态聚类、聚类在交易中的应用场景。
概念入门
02
数据预处理
金融时间序列数据清洗、缺失值处理、异常值检测与处理。
清洗异常值
03
特征工程基础
技术指标计算（均线、RSI、MACD）、滚动窗口统计特征、波动率特征。
指标波动率
04
特征标准化与降维
Z-score标准化、Min-Max缩放、PCA主成分分析原理与实现。
降维PCA
05
K-Means聚类算法
算法原理、K值选择（肘部法则、轮廓系数）、Python实现。
K-Means肘部
06
层次聚类
凝聚层次聚类原理、树状图解读、与K-Means的对比。
层次树状图
07
DBSCAN密度聚类
算法原理、参数调优（eps和min_samples）、处理噪声点。
密度噪声
08
高斯混合模型（GMM）
概率聚类原理、EM算法、软聚类与硬聚类。
GMMEM
09
聚类效果评估
内部指标（轮廓系数、Davies-Bouldin指数）、外部指标（ARI、NMI）。
评估指标
10
市场状态识别实战
使用聚类算法识别牛熊市、震荡市、高波动状态。
实战牛熊
11
时间序列分割
滑动窗口聚类、状态转移检测、变点检测方法。
分割变点
12
自适应系统概述
什么是自适应交易系统、自适应与静态系统的区别。
自适应对比
13
状态转移矩阵
构建状态转移概率矩阵、马尔可夫链基础。
转移马尔可夫
14
动态参数调整
基于市场状态调整交易参数（止损、仓位、持仓周期）。
参数风控
15
自适应均线系统
根据市场状态切换均线周期（快线/慢线自适应）。
均线自适应
16
自适应波动率模型
使用ATR动态调整止损和止盈、波动率聚类。
ATR波动率
17
多时间框架分析
日线、小时线、分钟线的状态融合与决策。
多周期融合
18
实时状态监测
流式数据处理、增量聚类、状态实时更新。
实时流式
19
回测框架搭建
事件驱动回测、状态依赖的交易逻辑实现。
回测事件驱动
20
策略绩效评估
夏普比率、最大回撤、胜率、盈亏比的分状态分析。
绩效夏普
21
过拟合防范
交叉验证、滚动回测、状态数量敏感性分析。
过拟合交叉验证
22
集成聚类方法
投票集成、Bagging聚类、稳定性选择。
集成Bagging
23
深度学习聚类
自编码器特征提取、深度嵌入聚类（DEC）。
深度学习DEC
24
强化学习与状态识别
使用DQN学习状态切换策略。
强化学习DQN
25
风险管理模块
基于状态的风险预算、VaR计算、压力测试。
风险VaR
26
实盘部署架构
数据管道、模型服务、交易执行引擎。
部署架构
27
系统监控与告警
状态漂移检测、模型性能监控、自动重训练。
监控漂移
28
案例研究1：加密货币
加密货币市场的状态聚类与自适应交易。
案例加密货币
29
案例研究2：A股行业轮动
A股市场的行业轮动与状态识别。
案例A股
30
未来展望
大模型在状态识别中的应用、联邦学习与隐私保护。
前沿大模型