01
Qlib初探
什么是Qlib？量化投资与AI的碰撞 · 核心设计理念 · 安装与验证
入门概览
02
数据准备
认识Qlib数据格式 · 获取日线数据 · 预处理与清洗 · 存储加载
数据ETL
03
特征工程基础
Alpha因子 · 内置因子库 · 自定义因子 · 因子有效性初判
因子特征
04
数据集构建
DataFrame→Dataset · 训练/验证/测试划分 · DataLoader
数据管道
05
模型架构解析
模型概览 · 线性模型 · 树模型(LightGBM) · 神经网络(MLP/LSTM)
模型架构
06
模型训练流程
Config配置 · Trainer使用 · 损失函数与优化器 · 保存与加载
训练流程
07
回测系统入门
回测意义 · 引擎架构 · 策略与执行器 · 回测报告解读
回测基础
08
单因子回测
构建单因子策略 · 运行回测 · 因子表现 · IC/IR指标
因子回测
09
多因子组合回测
因子组合方法 · 等权/加权 · 多因子实战 · 拥挤度检测
组合因子
10
模型回测实战
训练LightGBM · 预测与信号 · 模型回测配置 · 结果分析
模型实战
11
深度学习模型回测
搭建MLP · LSTM时序 · 深度学习回测注意 · GPU加速
深度学习GPU
12
风险控制模块
最大回撤控制 · 行业/市值中性化 · 换手率约束
风控中性化
13
绩效评估指标
年化收益 · 夏普比率 · 最大回撤 · 胜率盈亏比 · Calmar
评估指标
14
参数优化
网格搜索 · 随机搜索 · 贝叶斯优化 · 过拟合检测
调参优化
15
滚动回测
滚动时间窗口 · 滚动回测实现 · 稳定性评估 · 参数漂移
滚动稳健
16
事件驱动回测
事件驱动架构 · 订单管理 · 滑点手续费 · 撮合逻辑
事件撮合
17
多标的回测
股票池构建 · 全市场回测 · 行业/市值分组回测
多标的分组
18
因子挖掘自动化
遗传规划因子挖掘 · GPlearn集成 · 因子库管理 · 衰减监控
挖掘自动化
19
模型集成策略
投票集成 · 加权集成 · Stacking · 模型多样性分析
集成策略
20
在线学习与增量更新
在线学习概念 · 增量训练接口 · 模型自适应 · 概念漂移
增量在线
21
特征选择技术
过滤法 · 包裹法 · 嵌入法 · SHAP重要性 · 稳定性评估
特征选择SHAP
22
异常值处理
3σ原则 · IQR · MAD · 异常值影响 · 稳健统计量
异常值清洗
23
缺失值处理
缺失值类型 · 删除/填充(均值/中位数/前向) · 模型预测填充
缺失值填充
24
时间序列交叉验证
普通K折问题 · 时间序列分割 · Expanding/Rolling Window
交叉验证时序
25
多任务学习
多任务概念 · 多目标预测 · 共享表示 · 任务权重调整
多任务学习
26
对抗验证
对抗验证原理 · 实现对抗验证 · 分布漂移检测 · 样本权重
对抗漂移
27
模型可解释性
SHAP详解 · 特征依赖图 · 部分依赖图(PDP) · ICE
可解释SHAP
28
生产环境部署
模型导出(ONNX/PMML) · API服务 · 定时调度 · 监控告警
部署MLOps
29
策略组合管理
多策略并行 · 权重动态调整 · 相关性分析 · 资金管理
组合资金
30
实战项目
端到端量化选股系统 · 数据到实盘模拟 · 常见问题 · 总结展望
实战结业