第01章
金融时序预测概述
什么是金融时间序列、预测的核心挑战、应用场景与价值、课程学习路径
入门全景
第02章
Python金融分析环境搭建
Anaconda安装、Jupyter Notebook配置、必备库安装 (pandas/numpy/matplotlib/statsmodels/sklearn)
环境工具
第03章
Pandas金融数据处理基础
Series与DataFrame、时间索引创建、数据读取与写入(CSV/Excel)、数据清洗与缺失值处理
核心清洗
第04章
金融数据可视化
Matplotlib基础绘图、K线图绘制、移动平均线叠加、多子图布局与交互式图表
可视化K线
第05章
时间序列基础概念
平稳性、自相关与偏自相关、白噪声、趋势与季节性分解
理论分解
第06章
统计特征与检验
ADF单位根检验、KPSS检验、Q统计量、JB正态性检验
检验统计
第07章
滑动窗口技术
滚动统计量(均值/方差)、滚动相关系数、指数加权移动平均(EWMA)
滑动EWMA
第08章
经典预测模型
简单平均法、移动平均法、指数平滑法(Holt-Winters)
经典平滑
第09章
ARIMA模型 (上)
自回归模型(AR)、移动平均模型(MA)、ARIMA模型定阶与建模
ARIMA定阶
第10章
ARIMA模型 (下)
模型诊断(残差分析)、预测与置信区间、SARIMA季节性扩展
诊断SARIMA
第11章
GARCH波动率模型
ARCH效应检验、GARCH模型构建、波动率预测与风险度量
波动率风险
第12章
特征工程基础
滞后特征、滚动统计特征、日历特征(星期几/月份)、技术指标(RSI/MACD)
特征技术指标
第13章
机器学习入门
scikit-learn框架、训练集/测试集划分、交叉验证、过拟合与正则化
MLsklearn
第14章
线性回归预测
普通最小二乘法、岭回归、Lasso回归、弹性网络
回归正则化
第15章
决策树与随机森林
决策树原理、随机森林集成、特征重要性分析、金融应用案例
树模型集成
第16章
梯度提升模型
XGBoost原理、LightGBM优化、CatBoost分类、超参数调优
Boosting调优
第17章
支持向量机 (SVM)
SVR回归原理、核函数选择、金融时序分类应用
SVM核方法
第18章
深度学习入门
PyTorch/TensorFlow基础、张量操作、自动求导、简单神经网络
DL框架
第19章
循环神经网络 (RNN)
RNN原理、梯度消失问题、LSTM与GRU结构详解
RNNLSTM
第20章
LSTM实战
单变量LSTM预测、多变量LSTM、序列到序列预测、Dropout正则化
实战LSTM
第21章
注意力机制与Transformer
自注意力原理、位置编码、时间序列Transformer架构
注意力Transformer
第22章
模型评估指标
MAE、MSE、RMSE、MAPE、SMAPE、方向准确率(DA)
评估指标
第23章
回测框架搭建
事件驱动回测、向量化回测、滑点与交易成本模拟
回测模拟
第24章
多模型集成策略
Stacking、Blending、加权平均、模型选择与融合
集成融合
第25章
超参数优化
网格搜索、随机搜索、贝叶斯优化(Optuna)、早停策略
优化Optuna
第26章
实战案例一：股票价格预测
ARIMA+LSTM对比
股票对比
第27章
实战案例二：加密货币波动率预测
GARCH+Transformer
加密货币波动率
第28章
实战案例三：宏观经济指标预测
多变量时间序列
宏观多变量
第29章
生产化部署
模型序列化(Pickle/ONNX)、Flask API搭建、Docker容器化
部署Docker
第30章
前沿与展望
图神经网络(GNN)、强化学习交易、大模型在时序中的应用
前沿GNN