01
课程导论
为什么是股票预测？课程目标与学习路径、所需工具与库 (Python, Pandas, NumPy, Matplotlib, Scikit-learn, TensorFlow/PyTorch)
入门全景
02
环境搭建
Anaconda安装、虚拟环境创建、Jupyter Notebook配置、核心库安装与验证
工具配置
03
金融数据获取
使用yfinance库获取历史股票数据、数据源介绍 (Yahoo Finance, Alpha Vantage)、数据格式理解
数据API
04
Pandas基础
Series与DataFrame、数据读取与写入、索引与选择、缺失值处理
核心数据处理
05
数据可视化入门
Matplotlib基础、绘制K线图 (mplfinance)、绘制移动平均线、成交量图
可视化K线
06
探索性数据分析 (EDA)
描述性统计、相关性分析、自相关与偏自相关、平稳性检验 (ADF检验)
分析统计
07
特征工程 (上)
基础特征构建 (涨跌幅、成交量变化)、技术指标 (RSI, MACD, Bollinger Bands) 计算
特征技术指标
08
特征工程 (下)
时间序列特征 (星期几、月份、季度)、滞后特征、滚动窗口统计特征
特征时间序列
09
数据预处理
数据标准化/归一化、训练集/验证集/测试集划分、时间序列数据切分 (避免数据泄露)
预处理归一化
10
线性回归模型
原理简介、使用Scikit-learn实现、模型评估 (MSE, MAE, R²)、实战预测收盘价
回归基础模型
11
岭回归与Lasso回归
正则化原理、解决过拟合、参数调优、与线性回归对比
正则化调优
12
支持向量回归 (SVR)
核函数介绍、SVR原理、参数调优 (C, gamma)、实战应用
SVR核方法
13
决策树与随机森林
决策树原理、随机森林集成学习、特征重要性分析、实战预测涨跌方向
树模型集成
14
XGBoost与LightGBM
梯度提升树原理、XGBoost/LightGBM安装与使用、超参数调优、模型对比
Boosting高效
15
时间序列基础
平稳性、白噪声、差分操作、ACF与PACF图解读
时序平稳性
16
ARIMA模型
AR、MA、ARIMA原理、定阶方法 (AIC/BIC)、模型诊断、实战预测
ARIMA经典
17
SARIMA模型
季节性ARIMA、季节性参数设置、实战预测具有季节性的股票数据
季节性SARIMA
18
Prophet模型
Facebook Prophet原理、安装与使用、趋势与季节性分解、节假日效应、实战预测
Prophet分解
19
LSTM入门
循环神经网络 (RNN) 原理、LSTM解决长期依赖问题、Keras/TensorFlow基础
深度学习LSTM
20
LSTM实战
构建单层/多层LSTM、时间步长与特征维度设置、模型编译与训练、预测与反标准化
实战LSTM
21
GRU与BiLSTM
GRU原理、双向LSTM原理、模型对比、实战应用
GRUBiLSTM
22
CNN在时间序列中的应用
一维卷积神经网络 (1D-CNN) 原理、因果卷积、实战预测
CNN1D卷积
23
注意力机制与Transformer
自注意力机制、Transformer架构、时间序列Transformer、实战入门
注意力Transformer
24
模型集成与堆叠
Voting、Bagging、Stacking策略、构建集成模型、提升预测稳定性
集成Stacking
25
超参数调优
网格搜索 (GridSearchCV)、随机搜索 (RandomizedSearchCV)、贝叶斯优化 (Optuna) 入门
调优Optuna
26
回测框架搭建
回测概念、构建简单回测引擎、计算夏普比率、最大回撤、年化收益率
回测评估
27
风险管理与仓位管理
凯利公式、风险价值 (VaR)、条件风险价值 (CVaR)、仓位管理策略
风控仓位
28
实盘模拟与API对接
模拟交易平台介绍 (Alpaca, Backtrader)、API密钥管理、下单与查询
模拟API
29
模型部署
模型序列化 (Pickle/Joblib)、Flask/FastAPI构建预测服务、Docker容器化部署
部署Docker
30
课程总结与未来展望
项目复盘、常见陷阱总结、学习资源推荐、量化投资职业发展路径
总结职业