01
课程导论
基本面分析在外汇市场的地位、为什么用Python做预测、课程整体框架与学习路径。
框架入门
02
外汇市场基础
主要货币对与报价机制、影响汇率的核心宏观因素、数据频率与时间周期选择。
货币对宏观
03
Python金融环境搭建
Anaconda与Jupyter配置、必备库安装(pandas, numpy, statsmodels, scikit-learn, matplotlib)、虚拟环境管理。
环境Python
04
数据获取实战(上)
使用pandas-datareader获取美联储FRED数据、世界银行API调用、IMF数据接口。
APIFRED
05
数据获取实战(下)
使用yfinance获取汇率数据、外汇交易商历史数据解析、数据缓存与本地化存储策略。
yfinance缓存
06
数据清洗与预处理
缺失值处理(前向填充/插值)、异常值检测与修正、日期时间索引对齐。
清洗对齐
07
特征工程(宏观指标)
GDP、CPI、PPI、失业率等核心指标的衍生计算、同比/环比/差分处理。
宏观衍生
08
特征工程(利率与货币)
央行利率决议、利差计算、实际利率、远期点数的特征化。
利率利差
09
特征工程(贸易与资本流动)
贸易收支、经常账户、资本流动数据的特征提取与平滑处理。
贸易资本
10
特征工程(市场情绪与风险)
VIX指数、风险偏好指标、地缘政治风险指数的量化。
情绪VIX
11
多源数据融合
不同频率数据对齐(日/周/月)、数据拼接与合并、时间窗口特征构建。
融合对齐
12
探索性数据分析(EDA)
相关性矩阵与热力图、滞后相关性分析、平稳性检验(ADF/KPSS)。
EDA平稳性
13
可视化分析
汇率与宏观指标的时间序列对比图、散点图矩阵、季节性分解图。
可视化对比
14
经典统计模型(上)
线性回归模型、多元线性回归诊断、多重共线性处理(VIF)。
回归VIF
15
经典统计模型(下)
时间序列分解、ARIMA模型、SARIMA模型在汇率预测中的应用。
ARIMASARIMA
16
机器学习模型(上)
决策树与随机森林回归、特征重要性排序、超参数调优(GridSearchCV)。
随机森林调优
17
机器学习模型(下)
XGBoost与LightGBM、梯度提升模型调优、早停法与正则化。
XGBoostLightGBM
18
深度学习模型(上)
MLP多层感知机、网络结构设计、激活函数与优化器选择。
MLP激活函数
19
深度学习模型(下)
LSTM长短期记忆网络、序列到序列预测、时间步长与滑动窗口。
LSTMSeq2Seq
20
模型评估体系
回归评估指标(MSE/MAE/MAPE)、方向准确率(Directional Accuracy)、回测框架搭建。
评估回测
21
过拟合与泛化
时间序列交叉验证(TimeSeriesSplit)、滚动预测验证、特征选择与降维(PCA)。
交叉验证PCA
22
模型集成策略
简单平均/加权平均、Stacking集成、不同时间尺度模型的融合。
集成Stacking
23
信号生成与交易策略
预测值转交易信号、阈值设定、仓位管理基础。
信号仓位
24
回测系统搭建
自定义回测引擎、滑点与交易成本模拟、绩效指标计算(夏普比率/最大回撤)。
回测夏普
25
风险管理
VaR与CVaR计算、止损止盈策略、黑天鹅事件应对。
VaR止损
26
实战案例(上)
EUR/USD基本面预测模型全流程——从数据到信号。
EUR/USD全流程
27
实战案例(下)
USD/JPY利差驱动模型——利率平价理论实战。
USD/JPY利差
28
模型部署与自动化
定时任务调度(APScheduler)、数据库存储结果、邮件/微信通知。
部署通知
29
模型监控与更新
模型衰减检测、在线学习与增量更新、数据漂移监控。
监控漂移
30
课程总结与进阶
常见陷阱与避坑指南、扩展方向(高频基本面/另类数据)、推荐学习资源。
总结进阶