01
反向指标初探
什么是散户仓位反向指标？为什么散户仓位能作为反向指标？核心逻辑与哲学基础。
核心概念底层逻辑
02
数据获取基础
使用Tushare/AkShare获取融资融券余额、新增投资者数量等散户情绪数据。
数据源API
03
数据清洗与预处理
处理缺失值、异常值，时间序列对齐，计算散户仓位占比。
清洗对齐
04
指标构建（一）
构建简单的散户仓位变化率指标，计算日度/周度变化。
变化率日周
05
指标构建（二）
构建散户持仓市值占比指标，与市场总流通市值对比。
市值占比对比
06
指标构建（三）
构建散户交易活跃度指标（换手率、成交额占比）。
活跃度换手率
07
指标构建（四）
构建综合散户情绪指数（加权合成多个子指标）。
综合指数合成
08
反向信号生成
设定阈值，当散户仓位过高时生成卖出信号，过低时生成买入信号。
阈值买卖信号
09
信号平滑处理
使用移动平均、指数平滑等方法减少噪音，避免频繁交易。
平滑降噪
10
回测框架搭建（一）
使用Backtrader/Pandas构建简单的回测系统，定义策略类。
BacktraderPandas
11
回测框架搭建（二）
实现信号触发逻辑，模拟买卖交易，记录持仓与资金曲线。
信号触发资金曲线
12
回测框架搭建（三）
计算回测绩效指标（年化收益率、最大回撤、夏普比率、胜率）。
绩效夏普
13
单指标回测实战
对散户仓位变化率指标进行历史回测，分析收益表现。
实战变化率
14
多指标组合回测
将多个散户情绪指标组合，生成复合信号进行回测。
组合复合信号
15
参数优化
使用网格搜索优化阈值、平滑周期等参数，寻找最优参数组合。
网格搜索调参
16
过拟合防范
介绍交叉验证、滚动窗口回测等方法，避免参数过拟合。
交叉验证滚动窗口
17
与其他指标对比
将散户反向指标与MACD、RSI、布林带等传统技术指标对比。
MACDRSI布林带
18
与宏观指标结合
结合市场估值（PE/PB）、利率、社融数据提升信号可靠性。
宏观估值
19
行业板块应用
将反向指标应用于不同行业板块，寻找板块轮动机会。
板块轮动行业
20
个股层面应用
分析个股的散户持仓集中度，构建个股反向策略。
个股集中度
21
风险控制（一）
设置止损止盈、仓位管理规则，控制单笔交易风险。
止损仓位管理
22
风险控制（二）
引入凯利公式优化仓位大小，根据信号强度动态调整。
凯利公式动态仓位
23
实盘注意事项
交易成本、滑点、流动性对策略的影响及应对方法。
滑点流动性
24
策略监控与预警
搭建实时监控系统，当信号触发时发送邮件/微信通知。
监控预警
25
心理层面分析
散户情绪极端时的市场行为金融学解释，如何克服从众心理。
行为金融从众
26
策略改进（一）
引入机器学习模型（随机森林、XGBoost）预测散户仓位拐点。
随机森林XGBoost
27
策略改进（二）
使用LSTM神经网络捕捉散户情绪的时间序列模式。
LSTM时间序列
28
策略改进（三）
结合自然语言处理（NLP）分析股吧评论、社交媒体情绪。
NLP社交媒体
29
策略组合与资金管理
将反向指标策略与其他低相关策略组合，构建投资组合。
组合低相关
30
课程总结与展望
回顾核心要点，讨论策略局限性，未来研究方向与资源推荐。
总结展望