01
课程导论
什么是可转债？为什么做轮动策略？回测框架的核心目标与整体架构。
概念框架
02
环境准备
Python环境搭建、Anaconda安装、Jupyter Notebook配置、必备库安装。
工具安装
03
数据获取基础
使用akshare获取可转债基础数据（代码、名称、发行规模、剩余规模）。
akshare数据
04
数据获取进阶
获取可转债日线行情数据（开盘价、收盘价、最高价、最低价、成交量）。
行情日线
05
数据清洗与预处理
处理缺失值、异常值、复权处理、数据对齐。
清洗预处理
06
核心指标计算（上）
转股价值、转股溢价率、纯债价值、到期收益率（YTM）的计算逻辑与实现。
指标YTM
07
核心指标计算（下）
隐含波动率、Delta、双低值（价格+溢价率*100）的计算。
双低波动率
08
因子库构建
将计算出的指标整理成因子库DataFrame，便于后续调用。
因子DataFrame
09
选股策略设计（一）
双低策略——原理、代码实现、参数调优（双低阈值设定）。
双低策略调优
10
选股策略设计（二）
低溢价率策略——原理、代码实现、风险控制。
低溢价风控
11
选股策略设计（三）
高到期收益率策略——原理、代码实现、适用场景。
高YTM防守
12
选股策略设计（四）
多因子复合策略——因子打分、权重分配、综合排名。
多因子打分
13
轮动周期设定
日频轮动、周频轮动、月频轮动——不同周期的回测效果对比。
周期对比
14
持仓数量管理
固定数量持仓、等权重持仓、市值加权持仓的实现。
仓位权重
15
调仓逻辑实现
卖出信号触发、买入信号触发、交易成本（佣金、滑点）模拟。
调仓成本
16
回测引擎核心（一）
事件驱动架构设计——初始化、每日处理、调仓执行。
事件驱动架构
17
回测引擎核心（二）
向量化回测实现——利用pandas进行批量计算，提升回测速度。
向量化pandas
18
回测引擎核心（三）
资金管理——初始资金、仓位控制、杠杆模拟。
资金杠杆
19
绩效评价指标（上）
累计收益率、年化收益率、最大回撤、夏普比率。
夏普回撤
20
绩效评价指标（下）
卡玛比率、胜率、盈亏比、交易次数统计。
卡玛胜率
21
可视化分析（一）
净值曲线绘制——使用matplotlib绘制策略净值 vs 基准净值。
净值matplotlib
22
可视化分析（二）
回撤曲线绘制——动态展示最大回撤区间。
回撤动态
23
可视化分析（三）
持仓分布图——饼图/柱状图展示各转债持仓比例。
饼图持仓
24
参数敏感性分析
双低阈值、轮动周期、持仓数量对绩效的影响分析。
敏感性参数
25
策略稳健性检验
不同市场环境（牛市、熊市、震荡市）下的策略表现。
稳健性市场
26
过拟合与优化陷阱
如何避免参数过拟合？交叉验证与样本外测试。
过拟合交叉验证
27
实盘模拟与注意事项
实盘与回测的差异、流动性风险、冲击成本。
实盘流动性
28
框架封装与模块化
将回测框架封装成Python类，便于复用与扩展。
封装类
29
策略报告自动生成
自动生成包含图表、指标、结论的HTML/PDF报告。
报告自动
30
课程总结与展望
回顾核心知识点、常见问题解答、未来可转债策略研究方向。
总结展望