01
量化交易与回测系统概述
量化交易的定义、优势与风险；回测系统的核心作用；课程整体架构与学习路径。
概念入门
02
开发环境搭建
Python环境配置（Anaconda）；核心库安装；IDE选择与调试技巧。
环境工具
03
金融数据获取
使用tushare/akshare获取股票、期货历史数据；数据清洗与预处理；本地数据存储。
数据API
04
pandas数据处理基础
DataFrame核心操作；时间序列处理；重采样与缺失值处理；滚动计算与窗口函数。
pandas时间序列
05
技术指标计算
移动平均线（SMA/EMA）；MACD、RSI、布林带；ta-lib高效计算；自定义指标。
指标ta-lib
06
回测引擎核心概念
事件驱动与向量化回测；回测流程；性能考量。
引擎架构
07
Backtrader框架入门
核心组件（Cerebro, Strategy, DataFeed, Broker）；第一个简单回测示例。
Backtrader框架
08
自定义策略开发
继承Strategy类；next()逻辑；买入/卖出信号；订单类型。
策略订单
09
交易成本与滑点模型
佣金设置；滑点模拟；冲击成本模型；Backtrader配置。
成本滑点
10
资金管理与仓位控制
固定比例仓位；凯利公式；风险平价模型；最大回撤控制。
资金管理风控
11
绩效评估指标体系
年化收益率、夏普比率、最大回撤、卡玛比率；胜率与盈亏比；Sortino比率。
绩效指标
12
可视化分析
matplotlib绘制净值曲线；回撤曲线；交易信号标记；绩效报告生成。
可视化matplotlib
13
多品种与多周期回测
同时回测多只股票；不同时间框架策略；组合绩效汇总。
多品种多周期
14
参数优化基础
网格搜索法；参数过拟合问题；优化目标选择。
优化网格搜索
15
高级参数优化
随机搜索；贝叶斯优化；遗传算法；使用optuna库。
贝叶斯optuna
16
过拟合与未来函数
常见过拟合陷阱；未来函数识别与避免；样本内/样本外测试。
过拟合未来函数
17
稳健性检验
蒙特卡洛模拟；参数敏感性分析；不同市场环境表现。
稳健性蒙特卡洛
18
自动迭代系统设计
系统架构设计；模块化拆分；数据库设计。
架构迭代
19
任务调度与自动化
APScheduler定时任务；Airflow工作流；Docker容器化部署。
调度Docker
20
策略信号生成服务
实时数据流处理；信号计算引擎；信号持久化与分发。
信号实时
21
自动交易执行接口
对接券商API（vnpy, xtquant）；订单管理；风险控制模块。
交易接口API
22
日志与监控系统
结构化日志（loguru）；关键指标监控；告警机制（邮件、钉钉）。
日志监控
23
回测结果数据库存储
MySQL/PostgreSQL存储回测结果；SQLAlchemy ORM；结果查询与对比。
数据库ORM
24
Web可视化看板
Flask/Dash搭建回测看板；交互式图表；策略对比功能。
Web看板
25
策略迭代工作流
从回测到实盘流程；A/B测试框架；版本控制（Git）应用。
工作流Git
26
机器学习策略入门
特征工程；scikit-learn预测模型；ML模型集成到回测框架。
机器学习scikit-learn
27
强化学习策略基础
强化学习核心概念；gym环境模拟交易；简单DQN策略实现。
强化学习DQN
28
实盘与回测差异处理
实盘数据质量；交易延迟；撮合机制差异；资金管理实盘调整。
实盘差异
29
系统性能优化
向量化计算加速；多进程/多线程回测；Numba/Cython加速热点代码。
性能加速
30
项目实战与总结
完整项目实战（从数据到自动迭代）；常见问题与解决方案；未来发展方向。
实战总结