交易Agent策略开发与回测实战手册

📚 共计 30 章节

量化交易与Agent概述

什么是量化交易、传统策略 vs Agent策略、Agent核心概念（感知-决策-执行）、课程目标与学习路径

开发环境搭建

Python环境配置（Anaconda）、核心库安装（pandas, numpy, matplotlib, backtrader）、IDE推荐、虚拟环境管理

金融市场数据基础

数据源介绍（Yahoo Finance, Tushare, AKShare）、OHLCV数据格式、数据清洗与预处理、数据存储

数据预处理

Pandas数据处理实战

Series与DataFrame基础、时间序列索引、数据切片与筛选、滚动窗口计算、缺失值处理

技术指标计算

移动平均线（SMA/EMA）、RSI、MACD、布林带、自定义指标实现

指标技术分析

策略回测基础

回测核心逻辑（信号-下单-持仓）、Backtrader框架入门、双均线策略示例

回测Backtrader

回测引擎深入

Backtrader核心组件（Data Feed, Strategy, Broker, Analyzer）、佣金与滑点、绩效指标

策略评估与优化

参数优化（网格搜索）、过拟合、Walk-Forward分析、蒙特卡洛模拟

Agent架构设计

感知模块（市场状态）、决策模块（策略逻辑）、执行模块（订单管理）、记忆模块

基于规则的Agent策略

阈值策略、趋势跟踪、均值回归、组合策略实现

强化学习入门

MDP、Q-Learning原理、策略梯度方法、强化学习在交易中的应用

深度强化学习（DRL）

DQN、PPO、DRL框架（Stable-Baselines3, RLlib）

DRL交易Agent实现

状态空间设计（技术指标+持仓）、动作空间、奖励函数（收益率/夏普）

多Agent协作与竞争、分层架构（宏观+微观）、信息共享机制

风险管理Agent

VaR计算、止损策略、仓位管理（凯利公式）、风险平价

订单执行Agent

VWAP/TWAP算法、冰山订单、市场冲击模型、最优执行

高频交易Agent

Tick级数据处理、订单簿重建、做市商策略、延迟优化

事件驱动型Agent

新闻情绪分析（NLP）、事件套利、宏观数据发布、舆情监控

组合管理Agent

Markowitz均值-方差、Black-Litterman、动态再平衡、因子暴露

回测系统高级功能

事件驱动回测、并行回测、可视化、报告生成

实盘交易接口

券商API（IBKR, 东方财富, 聚宽）、REST/WebSocket、订单状态、交易日志

模拟交易系统

Paper Trading、模拟撮合、延迟模拟、资金曲线跟踪

Agent性能监控

实时绩效仪表盘、风险指标监控、异常检测、告警系统

策略部署与运维

Docker容器化、定时任务（Cron/Airflow）、日志管理、模型热更新

回测陷阱与常见错误

前视偏差、生存偏差、过拟合、数据窥探、幸存者偏差

案例实战1：趋势跟踪Agent

基于DRL的移动平均线策略优化

案例实战2：统计套利Agent

配对交易 + 多Agent协作

案例实战3：事件驱动Agent

财报发布 + 情绪分析

案例实战4：高频做市Agent

订单簿 + 强化学习

总结与展望

Agent策略未来趋势（LLM+交易Agent、联邦学习）、学习路径、社区资源