01
时间序列基础与量化视角
重新定义金融时间序列的独特性（非平稳性、异方差性、尖峰厚尾），对比传统与金融序列差异。
非平稳异方差尖峰厚尾
02
高阶特征工程（上）
基于滚动窗口的复杂统计特征：偏度、峰度、高阶矩、分位数特征、滚动夏普比率。
偏度峰度滚动夏普
03
高阶特征工程（下）
频域特征提取（FFT、小波变换），微观结构特征（订单簿、成交量分布）。
FFT小波订单簿
04
平稳性处理进阶
高阶差分、STL/X13-ARIMA-SEATS分解、Box-Cox/Yeo-Johnson变换。
STLBox-CoxX13
05
经典模型深度剖析（一）
ARIMA定阶陷阱与实战调优，ACF/PACF误判案例。
ARIMAACF/PACF
06
经典模型深度剖析（二）
SARIMA/SARIMAX，引入外生变量（市场情绪、宏观经济指标）。
SARIMAX外生变量
07
GARCH家族模型（上）
ARCH→GARCH，波动率预测在期权定价与风险管理中的应用。
GARCH波动率
08
GARCH家族模型（下）
EGARCH、GJR-GARCH、DCC-GARCH在投资组合中的应用。
EGARCHDCC
09
状态空间模型与卡尔曼滤波
动态因子模型、时变参数回归，捕捉市场状态切换。
卡尔曼滤波状态空间
10
隐马尔可夫模型在市场择时中的应用
牛熊市状态识别，基于HMM的均值回归策略。
HMM择时
11
机器学习入门（一）
线性回归→岭回归/Lasso，金融预测中避免过拟合。
岭回归Lasso
12
机器学习入门（二）
决策树与随机森林，特征重要性分析在因子筛选中的应用。
随机森林特征重要性
13
梯度提升机（XGBoost/LightGBM）
收益率方向预测实战，贝叶斯超参数调优。
XGBoostLightGBM
14
支持向量机与核方法
非线性模式识别，结合小波核的改进。
SVM小波核
15
深度学习基础（一）
RNN/LSTM原理，梯度消失/爆炸实战处理。
LSTM梯度消失
16
深度学习基础（二）
GRU、双向LSTM、注意力机制在金融序列中的应用。
GRU注意力
17
Transformer与时间序列
Informer、Autoformer在长序列预测中的优势与局限。
TransformerInformer
18
图神经网络在量化中的应用
构建股票关系图，GCN/GAT多标的联合预测。
GNNGAT
19
集成学习与模型堆叠
ARIMA、GARCH、LSTM异质模型堆叠，提升预测稳定性。
堆叠集成
20
概率预测与不确定性量化
分位数回归、Conformal Prediction、贝叶斯神经网络。
分位数贝叶斯
21
回测框架的陷阱与高阶设计
前视偏差、生存偏差，Walk-Forward分析与组合回测。
回测Walk-Forward
22
多标的联合预测与组合优化
协方差估计（收缩、DCC-NL），Black-Litterman实战。
Black-LittermanDCC
23
高频数据预测
Tick级预处理、ACD模型、限价指令簿预测。
高频ACD
24
另类数据与NLP
新闻情感、央行纪要、FinBERT预训练模型。
NLPFinBERT
25
模型可解释性（XAI）在量化中的实践
SHAP、LIME、Partial Dependence Plot因子归因。
SHAPLIME
26
在线学习与自适应模型
FTRL、AdaGrad动态更新，非平稳市场自适应。
在线学习FTRL
27
强化学习与时间序列结合
DQN、PPO动态仓位管理，交易执行优化。
强化学习PPO
28
生成对抗网络与合成数据
TimeGAN生成逼真市场数据，用于回测与增强。
GANTimeGAN
29
生产环境部署与MLOps
模型版本管理、Feature Store、漂移检测。
MLOps漂移检测
30
前沿趋势与未来展望
Foundation Model、因果推断、量子计算与金融预测。
Foundation因果推断