1. 课程导论与量化交易基础
各位同学好，我是你们这门课的主讲。在量化这个行业摸爬滚打了十几年，我见过太多人一上来就扎进复杂的模型里，结果连基础都没打牢。今天这第一讲，咱们先把地基夯实。
量化交易，说白了就是用数学模型和计算机程序来做交易决策。你想想看，传统交易靠的是直觉、经验和盘感，而量化交易靠的是数据、算法和回测。这不是谁更高端的问题，而是两种完全不同的思维方式。
量化交易的定义
量化交易的核心就三件事：数据、模型、执行。
- 数据：包括价格、成交量、财务数据、舆情数据等
- 模型：用统计学或机器学习方法，从数据中挖掘规律
- 执行：把模型信号转化为实际交易指令，控制滑点和冲击成本
我记得刚入行那会儿，有个老前辈跟我说：「量化交易不是预测未来，而是管理概率。」这句话我到现在都觉得是真理。我们做的不是占卜，而是计算各种情况发生的概率，然后下注。
量化交易的优势
为什么这么多机构和个人都在搞量化？优势很明显：
- 纪律性：机器不会因为恐惧或贪婪而改变策略。我见过太多主观交易员，明明策略是止损5%，结果亏到10%还在扛，最后爆仓。
- 系统性：可以同时监控上千只股票，捕捉多个市场的机会。人的精力是有限的，但计算机不是。
- 可回测：任何想法都可以用历史数据验证。这一点太重要了——你想想看，在传统交易里，一个策略好不好，得真金白银试了才知道。量化交易可以先在历史数据上跑一遍，亏了也不心疼。
- 风险可控：可以精确计算每笔交易的风险敞口，设置止损、止盈、仓位管理。
核心观点：量化交易不是稳赚不赔的圣杯，但它提供了一套可验证、可复现、可优化的交易方法论。这才是它真正的价值所在。
量化交易的挑战
当然，这条路也不好走。我踩过的坑，说出来都是血泪史：
- 过拟合：这是最大的坑。我曾经花三个月优化一个模型，回测曲线漂亮得像教科书一样，结果实盘一个月就亏了15%。为什么？因为我把噪音当成了信号。
- 市场变化：市场环境不是一成不变的。去年有效的因子，今年可能就失效了。量化模型需要持续迭代，没有一劳永逸的策略。
- 执行成本：回测时假设以收盘价成交，实盘时发现滑点比你想象的严重得多。尤其是小市值股票，一买就涨，一卖就跌。
- 技术门槛：需要懂编程、懂数学、懂金融。这三样缺一不可。
避坑指南：我曾经在回测时忽略了手续费和滑点，结果实盘收益直接腰斩。从那以后，我所有的回测都强制加入千分之二的交易成本。这个习惯救了我很多次。
集成学习在量化中的应用概览
好了，聊完基础，咱们说说这门课的核心——集成学习。
为什么要用集成学习？单个模型就像一个人做决策，总有盲区。集成学习就是找一群专家来投票，或者让一个专家不断修正自己的错误。说白了，就是「三个臭皮匠，顶个诸葛亮」。
在量化交易中，集成学习主要用在以下几个场景：
- 因子合成：把多个弱因子组合成一个强因子
- 信号生成：用多个模型的预测结果做加权投票
- 风险建模：集成多个风险模型来评估组合风险
- 异常检测：识别市场中的异常交易行为
我个人习惯把集成学习分为三类：Bagging、Boosting 和 Stacking。咱们这门课会逐一深入讲解，每个方法我都会结合真实的量化案例来演示。
小提示：如果你之前接触过机器学习，可能会觉得集成学习就是「把几个模型拼在一起」。其实没那么简单——如何选择基模型、如何分配权重、如何防止过拟合，这些都是有讲究的。咱们后面会详细讲。
知识体系框架
下面这张图，是我花了不少心思画的。它展示了咱们这门课的核心知识结构，你可以把它当作一张地图，随时回来看看自己走到哪了。
课程目标与学习路径
这门课的目标很明确：让你能独立搭建一套基于集成学习的量化交易系统。不是纸上谈兵，而是真正能跑起来、能赚钱的系统。
具体来说，学完这门课，你应该能做到：
- 理解 Bagging、Boosting、Stacking 的原理和区别
- 会用 Python 实现随机森林、XGBoost、LightGBM 等模型
- 能处理金融数据中的缺失值、异常值、非平稳性等问题
- 会做回测，并且能识别过拟合
- 能搭建一个完整的量化交易流水线
学习路径我建议这样走：先打好基础（数据、特征、回测），再学集成学习的方法论，最后实战应用。别跳步，每一步都有它的意义。
我的建议：每学完一个模型，立刻动手写代码跑一遍。光看理论是学不会量化的。我见过太多人把书翻烂了，结果连 pandas 的 merge 都不会用。动手，动手，再动手。
好了，第一讲就到这里。咱们下一讲开始聊数据——没有好数据，再牛的模型也是白搭。