01
课程导论与宏观量化交易概述
什么是宏观量化？为什么需要回测框架？课程目标与学习路径。
导论宏观
02
回测框架核心概念
事件驱动 vs 向量化回测、回测的偏差来源（前视偏差、幸存者偏差等）。
核心偏差
03
数据基础设施（一）
数据源选择（Wind、Tushare、Quandl）、数据清洗与对齐、处理缺失值与异常值。
数据清洗
04
数据基础设施（二）
多资产数据管理、时间序列数据库（InfluxDB/ClickHouse）选型与接入。
数据库时序
05
框架设计模式（一）
模块化设计思想、策略、风控、执行、分析四大模块解耦。
架构解耦
06
框架设计模式（二）
配置驱动（YAML/JSON）、插件化策略加载、日志与监控系统设计。
配置插件
07
核心引擎实现（一）
事件循环与时间推进机制、Bar与Tick数据驱动模型。
引擎事件
08
核心引擎实现（二）
订单簿与持仓管理、成交模拟与滑点模型。
订单滑点
09
策略接口设计
策略基类与生命周期（init, on_bar, on_tick, on_order）、参数优化接口。
策略接口
10
风控模块（一）
最大回撤限制、杠杆控制、敞口限制、集中度限制。
风控杠杆
11
风控模块（二）
止损止盈逻辑、黑名单机制、盘前盘后风控检查。
止损黑名单
12
执行模块（一）
订单类型（市价单、限价单、TWAP、VWAP）、执行算法模拟。
订单算法
13
执行模块（二）
交易成本模型（佣金、印花税、冲击成本）、市场容量估算。
成本容量
14
绩效分析模块（一）
收益率计算（简单收益率、对数收益率）、夏普比率、最大回撤。
绩效夏普
15
绩效分析模块（二）
归因分析（Brinson模型）、因子暴露分析、换手率与周转率。
归因因子
16
多策略组合回测
组合权重分配、策略间相关性分析、组合优化（均值-方差、风险平价）。
组合优化
17
并行与性能优化
多进程回测、向量化加速（NumPy/Pandas）、Cython/Numba关键路径优化。
性能并行
18
参数优化与过拟合防范
网格搜索、随机搜索、贝叶斯优化、交叉验证与Walk-Forward分析。
优化过拟合
19
回测结果可视化
净值曲线、回撤曲线、交易信号分布、热力图与散点图（Matplotlib/Plotly）。
可视化图表
20
实战案例（一）
基于美林时钟的宏观轮动策略回测。
美林时钟轮动
21
实战案例（二）
基于宏观因子的多空对冲策略回测。
对冲因子
22
实战案例（三）
全球资产配置（股债商汇）风险平价策略回测。
风险平价配置
23
实战案例（四）
基于央行资产负债表变化的国债期货策略回测。
国债期货央行
24
实战案例（五）
宏观事件驱动（非农、CPI、议息会议）的统计套利策略回测。
事件驱动套利
25
框架测试与调试
单元测试（pytest）、集成测试、模拟撮合测试、日志调试技巧。
测试调试
26
部署与生产化
从回测到模拟交易、实盘接口对接（IB、CTP）、Docker容器化部署。
部署实盘
27
数据管道构建
ETL流程设计、增量更新、数据质量监控与告警。
ETL监控
28
框架扩展性设计
自定义数据源插件、自定义风控插件、自定义执行算法插件。
扩展插件
29
开源框架对比与借鉴
Backtrader、Zipline、vnpy、QuantConnect的架构分析与优缺点。
开源对比
30
课程总结与未来展望
从回测到实盘的最后一公里、AI+宏观量化趋势、持续学习资源推荐。
总结AI