一、课程导论与量化投资基础
各位同学好，我是老张。在量化投资这行摸爬滚打了十几年，今天咱们聊聊AI选股这件事。
量化投资，说白了就是用数学模型和计算机来做投资决策。不是拍脑袋，不是凭感觉，而是让数据说话。我刚开始做这行时，国内量化还是个新鲜词，现在呢？已经成了主流玩法。
1.1 量化投资到底是什么？
量化投资的核心就三句话：
- 数据驱动：一切决策基于历史数据和实时数据
- 模型化：把投资逻辑写成代码，让机器执行
- 系统化：从选股到交易，全流程自动化
举个例子。传统基金经理选股，可能会看财报、调研公司、跟管理层聊天。量化投资呢？我们把成千上万个因子扔进模型——市盈率、动量、波动率、资金流向……让模型自己找出规律。
核心区别：传统选股靠人脑，AI选股靠算力+算法。
我个人习惯把量化投资比作「用显微镜做投资」。传统方法看的是大方向，量化看的是细节里的魔鬼。你想想看，一只股票涨跌背后可能有几百个因素在起作用，人脑能处理几个？十个？二十个？模型可以处理上千个。
1.2 AI选股 vs 传统选股
这里我画了一张对比图，帮你快速理解差异：
这张图很直观。传统选股像手工作坊，AI选股像现代化工厂。我在项目中遇到过很多次，传统方法觉得「这公司不错」，但模型一跑发现风险因子很高。最后呢？模型对了。
我的经验：AI选股不是要取代人，而是帮人做「数据预处理」。人负责战略判断，模型负责战术执行。
1.3 课程整体框架
这门课一共30章，我把它分成四个模块：
| 模块 | 章节 | 核心内容 |
|---|---|---|
| 基础篇 | 第1-5章 | 量化投资概念、Python金融数据处理、因子基础、回测框架搭建 |
| 模型篇 | 第6-15章 | 线性模型、树模型、神经网络、LSTM、Transformer在选股中的应用 |
| 实战篇 | 第16-25章 | 特征工程、过拟合处理、组合优化、实盘对接、风控体系 |
| 进阶篇 | 第26-30章 | 另类数据挖掘、高频策略、多因子融合、AI可解释性 |
这个结构是我反复调整过的。为什么这么排？因为很多新手一上来就想跑模型，结果连数据清洗都没做好，跑出来的结果全是垃圾。嗯，这里要注意——
避坑指南：我曾经见过一个团队，花三个月训练了一个深度学习模型，结果发现数据里有未来函数。回测曲线漂亮得像假的一样——因为它就是假的。所以，基础不牢，地动山摇。
1.4 学习路径建议
我个人建议的学习路径是这样的：
- 先动手，再动脑：别光看书，打开Jupyter Notebook跑起来
- 从简单开始：先做单因子回测，再做多因子，最后上深度学习
- 重视回测：回测是量化投资的「实验室」，做不好回测，实盘就是赌博
- 保持怀疑：任何模型结果都要问一句「这是真的规律还是过拟合？」
你想想看，量化投资最怕什么？不是模型不赚钱，而是模型在回测里赚钱，实盘却亏钱。我刚开始做的时候，就吃过这个亏。一个看起来完美的策略，实盘跑了两个月，亏了15%。后来才发现，回测时忘了考虑交易成本。
核心观点：量化投资不是「造火箭」，而是「造汽车」。不需要你发明新理论，但需要你踏踏实实把每个环节做好。
1.5 本章小结
这一章我们聊了：
- 量化投资的核心是数据+模型+系统
- AI选股相比传统选股，优势在于规模、速度和发现非线性规律
- 课程分为基础、模型、实战、进阶四个模块
- 学习路径建议：动手优先，从简单开始，重视回测，保持怀疑
说白了，量化投资就是一场「概率游戏」。我们不是要预测未来，而是要找到那些「大概率会涨」的股票，然后用纪律去执行。下一章，我们会开始搭建Python环境，准备好你的电脑，咱们要开始写代码了。
公众号:蓝海数据掘金营，微信deep3321