纳斯达克投资回测与复盘方法

📚 共计 30 章节

课程导论：为什么需要回测？

回测与复盘的核心价值，课程整体框架与学习路径。

纳斯达克指数基础

纳斯达克100成分股特点，指数编制规则，历史表现回顾。

数据获取与清洗

使用yfinance获取历史数据，处理缺失值，调整复权价格。

Python回测环境搭建

安装pandas、numpy、matplotlib、backtrader等库，配置虚拟环境。

环境backtrader

单均线策略

5日均线上穿20日均线买入，下穿卖出，编写第一个回测脚本。

双均线交叉策略

金叉死叉逻辑，参数优化，避免过拟合。

RSI相对强弱指标策略

超买超卖区间设定，背离信号识别，实战案例。

MACD指标策略

DIF、DEA、柱状线分析，金叉死叉与零轴突破。

布林带策略

上下轨突破交易，带宽收缩与扩张信号。

布林带突破

N日收益率排序，多空组合构建，动量因子衰减。

均值回归策略

Z-score计算，标准差通道，配对交易思路。

组合策略设计

多信号叠加，权重分配，风险平价思想。

组合风险平价

凯利公式，固定比例仓位，最大回撤控制。

交易成本模拟

佣金、滑点、印花税对收益的影响。

回测评价指标

年化收益率、夏普比率、最大回撤、胜率、盈亏比。

过拟合与未来函数

避免数据泄露，样本内外测试，交叉验证。

过拟合交叉验证

蒙特卡洛模拟

随机路径生成，策略稳健性评估。

蒙特卡洛稳健性

参数敏感性分析

热力图展示参数变化对收益的影响。

热力图参数

多周期回测

日线、小时线、分钟线策略表现差异。

周期多时间

事件驱动回测

财报发布、美联储议息等事件的影响。

机器学习入门

用随机森林预测次日涨跌方向。

随机森林分类

LSTM时间序列预测

构建简单的深度学习预测模型。

LSTM深度学习

强化学习交易

DQN算法在模拟环境中的应用。

DQN强化学习

风险价值(VaR)计算

历史模拟法、参数法、蒙特卡洛法。

投资组合优化

马科维茨有效前沿，最大夏普比率组合。

有效前沿马科维茨

Fama-French三因子模型在纳斯达克上的应用。

回测报告生成

自动化生成PDF报告，包含图表和统计指标。

实盘模拟对接

使用券商API进行模拟交易，延迟与执行质量。

心理与纪律

交易日志记录，情绪管理，复盘方法论。

课程总结与未来展望

量化投资前沿趋势，持续学习路径。