01
深度学习择时策略概述
传统择时局限性 · 深度学习变革 · 课程目标与路径
导论框架
02
金融时间序列数据基础
日线/分钟线 · 数据对齐清洗 · 常见数据集
数据频率
03
特征工程（上）
均线/MACD/RSI · 滞后特征 · 滚动窗口统计
技术指标衍生
04
特征工程（下）
交叉特征 · 因子正交化 · PCA/Autoencoder降维
降维正交
05
数据预处理与标准化
缺失值/异常值 · Z-score/Min-Max · 未来函数规避
清洗标准化
06
标签（Label）构建
未来N期收益 · 涨/跌/平分类 · 夏普比率标签
标注风险调整
07
数据集划分
时序交叉验证 · 滚动窗口 · 数据泄露陷阱
划分交叉验证
08
PyTorch基础（上）
张量操作 · 自动求导 · 线性模型构建
PyTorch张量
09
PyTorch基础（下）
Dataset/DataLoader · 模型保存加载 · GPU加速
数据管道GPU
10
多层感知机（MLP）择时
MLP结构 · 激活函数 · Dropout/L2正则化
MLP正则化
11
循环神经网络（RNN）入门
RNN原理 · 时序建模 · 梯度消失/爆炸
RNN梯度问题
12
LSTM与GRU
遗忘门/输入门/输出门 · GRU简化 · LSTM涨跌预测
LSTMGRU
13
注意力机制与Transformer
自注意力原理 · Transformer Encoder · 择时应用
注意力Transformer
14
一维卷积神经网络（1D-CNN）
因果卷积 · 膨胀卷积 · TCN时序卷积网络
CNNTCN
15
模型集成策略
Bagging/Boosting/Stacking · 多模型投票融合
集成融合
16
损失函数设计
CrossEntropy · MSE/MAE · 自定义交易成本损失
损失交易成本
17
优化器与学习率调度
SGD/Adam/AdamW · Cosine Annealing · Warm-up
优化器调度
18
模型评估指标（上）
准确率/精确率/召回率 · F1-score · 混淆矩阵
分类指标混淆矩阵
19
模型评估指标（下）
夏普比率 · 最大回撤 · Calmar · 年化收益率 · 胜率
绩效风险
20
回测系统搭建（上）
事件驱动框架 · 滑点/交易成本 · 信号执行
回测事件驱动
21
回测系统搭建（下）
绩效分析报告 · 过拟合检测 · 蒙特卡洛模拟
分析蒙特卡洛
22
过拟合与稳健性
参数敏感性 · 滚动回测 · 时序交叉验证
稳健性敏感性
23
实战项目一：沪深300 LSTM择时
数据获取 · 特征构建 · 模型训练 · 回测评估
实战LSTM
24
实战项目二：Transformer个股择时
多因子融合 · 注意力权重可视化
实战Transformer
25
实战项目三：多资产组合择时
BTC/ETH/黄金/原油轮动策略
实战多资产
26
高频数据与Tick级策略
Level2数据 · 订单簿特征 · 微观结构模型
高频Tick
27
强化学习择时入门
MDP · DQN/Policy Gradient · 交易应用
强化学习DQN
28
模型部署与实盘交易
ONNX导出 · Flask API · CTP/IB接口
部署实盘
29
前沿方向：GNN与LLM
图神经网络产业链择时 · 大语言模型辅助决策
前沿GNNLLM
30
课程总结与职业发展
知识体系回顾 · 面试题解析 · 量化研究员成长路径
总结职业