01
策略生成器概述
什么是自动策略生成器 · 应用场景（量化交易、游戏AI、自动化运维） · 核心挑战与设计目标
入门全景
02
策略建模基础
策略的定义与表示 · 策略空间 · 策略评估指标（收益、风险、鲁棒性）
建模指标
03
规则引擎设计
规则的定义与优先级 · 规则冲突检测与消解 · 规则引擎架构（Rete算法简介）
规则Rete
04
决策树与随机森林
决策树构建原理 · 随机森林在策略生成中的应用 · 过拟合与剪枝策略
树模型集成
05
强化学习入门
马尔可夫决策过程（MDP） · Q-Learning与策略梯度 · 探索与利用的平衡
RLMDP
06
遗传算法与进化策略
基因编码与适应度函数 · 选择、交叉与变异操作 · 进化策略在策略搜索中的应用
进化搜索
07
贝叶斯优化
高斯过程回归 · 采集函数（EI、PI、UCB） · 超参数调优与策略搜索
贝叶斯调参
08
策略评估与回测
回测框架设计 · 过拟合检测（Walk-Forward Analysis） · 夏普比率与最大回撤
回测风控
09
特征工程与状态表示
原始数据到特征向量的转换 · 时序特征提取 · 特征选择与降维（PCA）
特征PCA
10
策略组合与集成学习
Bagging与Boosting · Stacking策略 · 动态权重分配
集成组合
11
在线学习与自适应策略
Bandit算法（UCB、Thompson Sampling） · 在线梯度下降 · 策略动态调整
在线Bandit
12
多智能体策略生成
博弈论基础（纳什均衡） · 多智能体强化学习（MADDPG） · 协作与竞争策略
多智能体博弈
13
策略解释性与可视化
SHAP与LIME · 决策树可视化 · 策略行为分析
可解释可视化
14
策略部署与监控
模型序列化与加载 · 实时推理管道 · 策略漂移检测与回滚
部署MLOps
15
分布式策略搜索
参数服务器架构 · 异步与同步训练 · 分布式进化策略（OpenAI ES）
分布式ES
16
策略安全与鲁棒性
对抗样本攻击 · 策略鲁棒性训练 · 安全约束强化学习
安全鲁棒
17
元学习与少样本策略
MAML算法 · 任务分布与元训练 · 快速适应新环境
元学习少样本
18
策略生成器系统架构
模块化设计 · 数据流与消息队列 · 微服务与API设计
架构微服务
19
数据管道与特征存储
实时数据采集（Kafka） · 特征存储（Feast） · 数据版本控制
数据Feast
20
实验管理与版本控制
MLflow与Weights & Biases · 实验配置管理 · 策略版本回滚
实验MLflow
21
策略生成器性能优化
GPU/TPU加速 · 模型量化与剪枝 · 推理延迟优化
性能加速
22
案例实战：量化交易策略生成
数据获取与清洗 · 因子挖掘 · 策略回测与部署
量化实战
23
案例实战：游戏AI策略生成
环境搭建（OpenAI Gym） · 奖励设计 · 策略训练与评估
游戏AIGym
24
案例实战：自动化运维策略生成
异常检测 · 自愈策略 · 容量规划
运维AIOps
25
案例实战：推荐系统策略生成
多臂老虎机 · 上下文Bandit · 个性化策略
推荐Bandit
26
案例实战：机器人控制策略生成
仿真环境（MuJoCo） · 模仿学习 · 强化学习控制
机器人MuJoCo
27
前沿趋势：大模型与策略生成
LLM Agent · 神经符号策略 · 可微分策略搜索
大模型前沿
28
策略生成器开源框架
Ray RLlib · Stable-Baselines3 · Optuna · Dask
框架开源
29
项目实战：从零构建一个策略生成器
需求分析 · 架构设计 · 核心模块实现 · 集成测试
项目全栈
30
课程总结与未来展望
关键知识点回顾 · 常见陷阱与最佳实践 · 学习路径推荐
总结路径