01
量化交易概述
什么是量化交易 · 优势与风险 · AI在量化中的角色
概念入门
02
回测框架核心概念
回测定义 · 三大要素(数据/策略/执行) · 与实盘区别
核心理论
03
Python环境与工具链
Anaconda · Jupyter Notebook · pandas/numpy/matplotlib/backtrader
环境工具
04
数据获取与清洗
yfinance获取数据 · 缺失值/异常值处理 · 重采样
数据清洗
05
技术指标计算
移动平均线(MA) · RSI · 布林带 · Python实现
指标技术
06
策略逻辑设计
趋势跟踪 · 均值回归 · 动量策略原理与代码
策略逻辑
07
Backtrader框架入门
安装 · Cerebro/Strategy/DataFeed · 第一个回测脚本
框架入门
08
自定义策略开发
继承Strategy · 重写next · 买卖信号生成
开发策略
09
订单与仓位管理
市价/限价单 · 固定手数/百分比仓位 · 止损止盈
风控仓位
10
回测性能指标
年化收益率 · 最大回撤 · 夏普比率 · 胜率盈亏比
评估指标
11
多品种回测
多股票回测 · 组合权重分配 · 组合绩效评估
组合多资产
12
参数优化
网格搜索 · 随机搜索 · 过拟合问题与解决方案
优化过拟合
13
事件驱动回测
事件驱动架构 · Backtrader事件循环 · 自定义事件
架构进阶
14
滑点与交易成本
滑点模型 · 佣金设置 · 冲击成本影响
成本实盘
15
数据频率与周期
日线/分钟线/Tick数据 · 处理与回测差异
数据频率
16
机器学习策略入门
特征工程(技术指标/价格衍生) · 标签定义(未来N日收益)
ML特征
17
分类模型策略
随机森林预测涨跌 · 模型训练与回测集成 · 特征重要性
分类随机森林
18
回归模型策略
线性回归预测价格 · 预测值与实际值偏差交易
回归线性
19
深度学习策略
LSTM时间序列预测 · Keras/TensorFlow · 回测预测循环
深度学习LSTM
20
强化学习策略
强化学习基础(状态/动作/奖励) · Gym环境 · DQN算法
强化学习DQN
21
回测过拟合检测
交叉验证 · 蒙特卡洛模拟 · 夏普比率分布分析
过拟合检测
22
稳健性检验
参数敏感性分析 · 不同市场周期 · 压力测试
稳健性压力
23
回测报告生成
pyfolio绩效报告 · 风险分析图表 · 交易记录分析
报告pyfolio
24
实盘模拟与对接
模拟交易API(Alpaca) · 回测到实盘迁移 · 延迟与执行差异
实盘API
25
回测框架扩展
自定义数据源 · 自定义分析器 · 自定义观察器
扩展自定义
26
并行回测加速
多进程回测 · joblib加速参数优化 · GPU加速(深度学习)
加速并行
27
回测结果可视化
matplotlib资金曲线 · 回撤曲线 · 交易信号图
可视化matplotlib
28
策略评估框架
统一评估模板 · 多策略对比 · 绩效归因分析
评估框架
29
常见回测陷阱
前视偏差 · 幸存者偏差 · 未来函数 · 过拟合识别
陷阱避坑
30
完整项目实战
数据获取到策略部署 · 项目文档 · 监控与迭代
实战全流程