01
量化择时概述
什么是量化择时，LSTM为什么适合做择时，课程目标与学习路径。
入门理念
02
环境搭建
Anaconda安装、TensorFlow/PyTorch安装、Jupyter Notebook配置、常用库安装。
工具配置
03
Python金融数据处理基础
Pandas读取股票数据、DataFrame基础操作、处理缺失值。
数据Pandas
04
金融时间序列特征
OHLCV数据解读、复权处理、成交量分析、时间序列可视化。
可视化OHLCV
05
技术指标计算
移动平均线(MA)、相对强弱指标(RSI)、布林带(Bollinger Bands)、MACD。
指标技术分析
06
数据预处理
标准化与归一化、滑动窗口构建、训练集/验证集/测试集划分。
预处理窗口
07
标签生成
未来N日收益率计算、阈值分类（涨/跌/平）、多分类标签设计。
标签分类
08
循环神经网络基础
RNN原理、梯度消失问题、为什么需要LSTM。
RNN原理
09
LSTM核心原理
遗忘门、输入门、输出门、细胞状态、门控机制图解。
LSTM门控
10
PyTorch基础
张量操作、自动求导、构建简单神经网络。
PyTorch张量
11
构建LSTM模型
PyTorch实现LSTM层、定义模型类、前向传播。
模型实现
12
模型超参数
序列长度、隐藏层大小、层数、学习率、批次大小、Dropout。
调参超参数
13
损失函数与优化器
交叉熵损失、均方误差、Adam优化器、学习率调度。
优化损失
14
训练循环
批次迭代、前向传播、反向传播、梯度裁剪、早停法。
训练技巧
15
模型评估指标
准确率、精确率、召回率、F1分数、混淆矩阵、夏普比率。
评估指标
16
回测框架搭建
模拟交易逻辑、计算收益率、最大回撤、胜率。
回测实战
17
单股票择时实战
数据获取、特征工程、模型训练、回测结果分析。
实战单股票
18
多股票组合择时
批量训练、组合权重分配、组合风险分散。
组合分散
19
多因子融合
将LSTM输出与传统因子（动量、波动率）结合。
因子融合
20
注意力机制
在LSTM中加入Attention层、提升模型对关键时间点的关注。
Attention机制
21
序列到序列模型
Seq2Seq结构、多步预测、未来K线合成。
Seq2Seq预测
22
对抗训练
添加噪声增强鲁棒性、FGSM攻击与防御。
对抗鲁棒
23
模型部署
ONNX导出、Flask API搭建、实盘信号推送。
部署API
24
过拟合处理
正则化、数据增强、模型集成、交叉验证。
过拟合正则
25
高频数据LSTM
Tick级数据、分钟级数据、特征降采样。
高频Tick
26
行业轮动策略
使用LSTM预测行业指数、动态调仓。
轮动行业
27
事件驱动LSTM
新闻情感分析、舆情因子、事件窗口对齐。
事件情感
28
强化学习+LSTM
DQN与LSTM结合、动态仓位管理。
强化学习仓位
29
实盘注意事项
滑点、手续费、冲击成本、过拟合陷阱。
实盘风控
30
课程总结与展望
LSTM在量化中的局限、Transformer替代方案、未来方向。
总结展望