01
课程导论与量化交易基础
量化交易的定义、优势与挑战；集成学习在量化中的应用概览；课程目标与学习路径。
导论量化基础
02
Python量化环境搭建
Anaconda与Jupyter Notebook安装；必备库安装与验证；数据源获取简介。
环境Python
03
金融数据预处理实战
数据清洗（缺失值、异常值）；特征工程（MA, RSI, MACD）；标准化与归一化。
预处理特征工程
04
单一模型基石：线性回归与逻辑回归
线性回归原理与实现；逻辑回归用于分类预测；在量化选股中的简单应用。
回归分类
05
单一模型基石：决策树与支持向量机
决策树原理（信息增益、基尼系数）；SVM原理（核函数、软间隔）；适用场景对比。
决策树SVM
06
集成学习核心思想：Bagging与随机森林
Bootstrap采样原理；随机森林构建过程；在因子筛选中的应用。
Bagging随机森林
07
集成学习核心思想：Boosting与AdaBoost
Boosting串行思想；AdaBoost算法详解；处理不平衡数据集的技巧。
BoostingAdaBoost
08
集成学习核心思想：梯度提升机（GBDT）
GBDT梯度下降视角；损失函数与负梯度拟合；在回归预测中的实战。
GBDT梯度提升
09
XGBoost原理与实战
核心改进（正则化、二阶导数）；参数详解；在股票涨跌预测中的应用。
XGBoost实战
10
LightGBM原理与实战
优化（GOSS, EFB）；与XGBoost性能对比；在期货高频数据上的实践。
LightGBM高频
11
CatBoost原理与实战
处理类别特征优势；有序提升（Ordered Boosting）；在风控评分卡中的应用。
CatBoost风控
12
Stacking集成策略
层级结构；基学习器与元学习器选择；使用Scikit-learn实现Stacking。
Stacking集成
13
Blending集成策略
Blending与Stacking区别；Hold-out验证集使用；在量化组合优化中的应用。
Blending组合
14
Voting与Averaging集成
硬投票与软投票；加权平均法；在多个模型结果融合中的实战。
Voting融合
15
模型评估与选择
交叉验证（K-Fold, TimeSeriesSplit）；性能指标（准确率、召回率、F1-score, AUC, 夏普比率）；过拟合与欠拟合诊断。
评估交叉验证
16
超参数调优（上）
网格搜索（GridSearchCV）；随机搜索（RandomizedSearchCV）；在XGBoost调参中的实战。
调参网格搜索
17
超参数调优（下）
贝叶斯优化（Hyperopt, Optuna）；遗传算法优化；调参策略总结与经验分享。
贝叶斯Optuna
18
特征选择与降维
过滤法、包裹法、嵌入法；主成分分析（PCA）在因子降维中的应用；特征重要性分析。
特征选择PCA
19
时间序列交叉验证
时间序列特殊性；扩展窗口与滑动窗口验证；Purged Walk-Forward Validation。
时间序列交叉验证
20
多因子模型与集成
多因子模型框架；因子IC分析；使用集成模型进行因子合成。
多因子IC分析
21
风险控制与资金管理
最大回撤控制；凯利公式与仓位管理；集成模型在风险预警中的应用。
风控凯利公式
22
回测系统搭建
回测框架设计（事件驱动 vs 向量化）；滑点与交易成本模拟；过拟合陷阱与防止方法。
回测事件驱动
23
实战项目一：股票涨跌分类预测
数据获取与预处理；特征构建；集成模型训练与调优；回测与绩效分析。
股票分类
24
实战项目二：期货趋势跟踪策略
趋势特征提取；集成模型信号生成；多品种组合回测。
期货趋势跟踪
25
实战项目三：加密货币波动率预测
高频数据特征；LightGBM与LSTM的集成尝试；风险价值（VaR）计算。
加密货币波动率
26
模型部署与自动化交易
模型序列化（Pickle, ONNX）；API服务搭建（Flask/FastAPI）；自动化交易流程设计。
部署API
27
集成学习前沿
深度集成（Deep Ensemble）；对抗训练与鲁棒性；在线学习与模型更新。
前沿深度集成
28
案例复盘：一个失败的量化策略
问题诊断（数据泄露、过拟合）；改进方案；经验教训总结。
复盘失败案例
29
案例复盘：一个稳健的量化组合
策略逻辑；集成模型选择与融合；长期绩效与压力测试。
稳健组合压力测试
30
课程总结与未来展望
核心知识回顾；学习资源推荐；量化研究员的成长路径。
总结成长路径