01
金融数据概览
金融数据类型、数据来源（Wind/Tushare/Yahoo Finance）、数据质量评估。
数据源质量评估
02
Python金融环境搭建
Anaconda安装、Jupyter Notebook配置、常用金融库安装。
环境pandas/numpy
03
Pandas基础
Series与DataFrame创建、索引与切片、数据读取（CSV/Excel/数据库）。
DataFrameIO
04
数据清洗实战
缺失值处理（删除/填充/插值）、重复值检测、异常值识别与处理。
清洗异常值
05
时间序列数据处理
日期时间索引、重采样（resample）、滚动窗口计算（rolling）、时间偏移。
时间序列rolling
06
金融数据合并与连接
merge/join/concat操作、多表关联实战（股票行情与财务数据合并）。
合并多表
07
数据变换与特征工程
标准化/归一化、对数变换、哑变量编码、分箱操作。
特征工程归一化
08
金融指标计算
移动平均线（MA）、指数移动平均（EMA）、布林带、RSI、MACD。
技术指标MACD
09
数据可视化基础
Matplotlib绘图、K线图绘制、多子图布局、样式美化。
MatplotlibK线
10
高级可视化
Seaborn统计图、Plotly交互式图表、金融时间序列可视化。
SeabornPlotly
11
数据探索性分析（EDA）
描述性统计、相关性分析、分布分析、趋势分析。
EDA相关性
12
金融数据预处理Pipeline
构建自动化数据处理流程、自定义转换器、交叉验证数据划分。
Pipelinesklearn
13
机器学习基础
监督学习与无监督学习、过拟合与欠拟合、训练集/验证集/测试集划分。
ML基础过拟合
14
线性回归模型
原理介绍、Python实现、模型评估（MSE/MAE/R²）、金融应用（因子收益率预测）。
线性回归因子
15
逻辑回归与分类
二分类问题、混淆矩阵、ROC曲线、AUC值、信用评分卡案例。
逻辑回归评分卡
16
决策树与随机森林
树模型原理、特征重要性、集成学习、股票涨跌分类实战。
随机森林集成
17
支持向量机（SVM）
核函数、软间隔、SVM在金融文本分类中的应用。
SVM核函数
18
K近邻算法（KNN）
距离度量、K值选择、KNN在相似股票推荐中的应用。
KNN推荐
19
K-Means聚类
聚类原理、肘部法则、客户分群实战。
聚类客户分群
20
主成分分析（PCA）
降维原理、方差解释率、PCA在因子模型中的应用。
PCA降维
21
时间序列预测基础
平稳性检验（ADF）、自相关函数（ACF）/偏自相关函数（PACF）、白噪声检验。
ADFACF/PACF
22
ARIMA模型
差分、定阶、模型拟合、残差检验、股价预测实战。
ARIMA股价预测
23
Prophet模型
Facebook Prophet原理、趋势/季节/节假日效应、预测实战。
Prophet季节效应
24
LSTM神经网络
RNN基础、LSTM原理、Keras实现、股票价格预测。
LSTMKeras
25
模型评估与调优
交叉验证、网格搜索、随机搜索、学习曲线分析。
调优网格搜索
26
特征选择方法
过滤法、包裹法、嵌入法、递归特征消除（RFE）。
特征选择RFE
27
集成学习进阶
Bagging、Boosting、Stacking、XGBoost/LightGBM实战。
XGBoostLightGBM
28
金融风控模型
评分卡构建、WOE编码、IV值计算、模型监控。
风控WOE/IV
29
投资组合优化
均值-方差模型、有效前沿、夏普比率、蒙特卡洛模拟。
组合优化夏普比率
30
项目实战：端到端金融预测系统
从数据获取到模型部署（Flask API + 前端展示）。
Flask部署