01
课程导论
什么是时间序列预测？为什么在择时中重要？课程目标与学习路径。
入门概览
02
金融市场数据基础
股票/期货K线数据结构、OHLCV含义、数据频率（日/周/月/分钟）。
数据OHLCV
03
时间序列可视化
使用Matplotlib绘制价格走势图、成交量图、移动平均线叠加。
Matplotlib图表
04
时间序列基础概念
平稳性、自相关、偏自相关、白噪声。
统计ACF
05
数据预处理
缺失值处理、异常值检测与处理、数据重采样。
清洗重采样
06
特征工程基础
滞后特征、滚动统计特征（均值、标准差）、技术指标（RSI, MACD, BOLL）。
特征技术指标
07
经典统计模型
移动平均模型（SMA, EMA）、指数平滑法（Holt-Winters）。
平滑EMA
08
ARIMA模型（上）
AR模型、MA模型、ARIMA模型原理与定阶。
ARIMA定阶
09
ARIMA模型（下）
Python实现ARIMA建模、模型诊断、预测与回测。
实现回测
10
季节性分解
STL分解、季节性ARIMA（SARIMA）模型。
季节SARIMA
11
机器学习入门
时间序列交叉验证（TimeSeriesSplit）、特征与标签构建。
ML交叉验证
12
线性模型
线性回归、岭回归、Lasso在时间序列预测中的应用。
回归正则化
13
树模型
决策树、随机森林、XGBoost在择时中的实践。
XGBoost集成
14
深度学习基础
RNN原理、LSTM与GRU的核心区别。
RNNLSTM
15
LSTM实战
使用PyTorch/TensorFlow构建LSTM预测模型。
PyTorchTensorFlow
16
注意力机制
Transformer在时间序列中的应用（Informer, Autoformer简介）。
Transformer注意力
17
多步预测策略
直接预测、递归预测、多输出预测。
策略多步
18
模型评估指标
MAE, MSE, RMSE, MAPE, SMAPE。
评估误差
19
回测框架搭建
向量化回测与事件驱动回测、滑点与手续费模拟。
回测滑点
20
择时策略设计
趋势跟踪策略、均值回归策略、通道突破策略。
策略趋势
21
信号合成
多模型集成、加权投票、阈值过滤。
集成信号
22
风险管理
最大回撤、夏普比率、卡玛比率、VaR。
风险夏普
23
过拟合与正则化
时间序列中的过拟合识别、早停法、Dropout。
过拟合Dropout
24
超参数调优
网格搜索、随机搜索、贝叶斯优化（Optuna）。
调优Optuna
25
实战项目一
基于ARIMA的个股择时策略（完整流程）。
项目ARIMA
26
实战项目二
基于LSTM的股指期货择时策略（完整流程）。
项目LSTM
27
实战项目三
基于XGBoost的多因子择时策略（完整流程）。
项目XGBoost
28
策略部署
模型保存与加载、定时任务调度、自动化交易接口简介。
部署自动化
29
前沿方向
图神经网络（GNN）在择时中的应用、强化学习与时间序列结合。
GNN强化学习
30
课程总结
常见陷阱、持续学习路径、推荐资源与工具。
总结资源