01
Alpha信号与量化投资概述
什么是Alpha信号、传统因子挖掘的局限性、深度学习为何能挖掘非线性Alpha、课程整体框架与学习路径。
概览非线性
02
金融市场数据基础
数据源介绍（日线、分钟线、Level2）、数据清洗与预处理、缺失值处理、异常值检测、数据对齐与重采样。
数据预处理
03
特征工程入门
技术指标计算（均线、RSI、MACD）、滚动统计特征、时序滞后特征、截面标准化与市值中性化。
特征技术指标
04
线性模型回顾与局限
线性回归在因子测试中的应用、多因子模型（Fama-French）、线性模型无法捕捉非线性关系的痛点。
线性局限
05
神经网络基础
感知机与激活函数（ReLU、Sigmoid、Tanh）、前向传播与反向传播、损失函数（MSE、交叉熵）、梯度下降优化器。
神经网络激活函数
06
深度学习框架选型
PyTorch vs TensorFlow vs JAX、环境配置（CUDA、cuDNN）、张量操作与自动求导、模型构建基础（nn.Module）。
框架PyTorch
07
全连接网络（MLP）用于Alpha挖掘
MLP结构设计、输入层（特征维度）、隐藏层与神经元数量选择、输出层（预测收益率）、过拟合与正则化（Dropout、L2）。
MLP正则化
08
时间序列预测基础
滑动窗口法构造样本、时间序列交叉验证、避免未来信息泄露（标签与特征的时间对齐）、序列依赖性的初步处理。
时序交叉验证
09
循环神经网络（RNN）与Alpha
RNN原理与结构、处理变长序列、梯度消失与爆炸问题、RNN在股票收益率预测中的简单应用。
RNN序列
10
LSTM与GRU
LSTM的门控机制（遗忘门、输入门、输出门）、GRU简化结构、LSTM/GRU在金融时间序列中的优势、实战：用LSTM预测次日收益率。
LSTMGRU
11
注意力机制与Transformer
自注意力（Self-Attention）原理、多头注意力（Multi-Head Attention）、位置编码、Transformer Encoder用于股票排序。
注意力Transformer
12
图神经网络（GNN）与关系挖掘
股票关联图构建（行业、产业链、相关性）、图卷积网络（GCN）、图注意力网络（GAT）、GNN在因子合成中的应用。
GNN图网络
13
卷积神经网络（CNN）用于模式识别
1D-CNN处理时间序列、2D-CNN处理股票截面数据（股票×特征矩阵）、CNN在K线形态识别中的应用。
CNN模式识别
14
自编码器与无监督特征学习
自编码器结构、降噪自编码器、变分自编码器（VAE）、用自编码器提取非线性因子。
自编码器无监督
15
生成对抗网络（GAN）与数据增强
GAN原理、生成合成价格序列、条件GAN用于生成特定市场状态下的数据、GAN在回测中的风险。
GAN数据增强
16
强化学习与动态Alpha
强化学习基础（状态、动作、奖励）、DQN与Policy Gradient、用强化学习动态调整因子权重、探索与利用的平衡。
强化学习动态
17
多任务学习与多目标优化
多任务学习架构（共享底层）、预测多个时间维度收益率（1日、5日、20日）、多目标损失函数设计。
多任务多目标
18
模型解释性（XAI）
SHAP值计算与可视化、特征重要性排序、注意力权重可视化、LIME局部解释、为什么解释性在量化中至关重要。
可解释性SHAP
19
过拟合与鲁棒性提升
金融数据中的信噪比问题、正则化技术深入（Dropout、BatchNorm、LayerNorm）、早停法（Early Stopping）、模型集成（Bagging、Stacking）。
过拟合鲁棒性
20
超参数优化
网格搜索与随机搜索、贝叶斯优化（Hyperopt、Optuna）、学习率调度策略、超参数对Alpha因子的影响分析。
超参数优化
21
回测框架搭建
事件驱动回测 vs 向量化回测、滑点与交易成本建模、冲击成本模型、回测中的常见陷阱（前视偏差、幸存者偏差）。
回测陷阱
22
因子评价体系
IC（信息系数）与Rank IC、IR（信息比率）、夏普比率、最大回撤、换手率、因子衰减速度分析。
因子评价IC
23
组合优化与风险控制
均值-方差优化、风险平价、Black-Litterman模型、行业与风格因子暴露控制、杠杆与保证金管理。
组合优化风险
24
实盘交易系统架构
数据流管道（实时数据接入）、模型推理服务（ONNX部署）、交易执行引擎、监控与告警系统。
实盘系统架构
25
高频Alpha与微观结构
订单簿数据解析、微观结构特征（买卖价差、订单不平衡）、Tick级预测模型、高频交易中的过拟合风险。
高频微观结构
26
另类数据与NLP
新闻情感分析（BERT、FinBERT）、财报电话会议NLP、卫星图像与另类数据源、多模态数据融合。
另类数据NLP
27
跨市场与多资产Alpha
股票、期货、期权、加密货币的Alpha特征差异、跨市场套利机会识别、统一模型 vs 专用模型。
跨市场多资产
28
模型更新与在线学习
模型漂移检测、在线学习算法（FTRL、SGD在线）、增量训练策略、模型版本管理与回滚。
在线学习模型更新
29
伦理、合规与风险管理
算法交易监管要求、市场操纵风险（幌骗、虚假申报）、模型偏见与公平性、压力测试与极端行情应对。
合规伦理
30
课程总结与前沿展望
课程核心知识回顾、前沿方向（Foundation Model for Finance、LLM Agent for Trading）、持续学习资源推荐、构建个人Alpha研究框架。
总结前沿