01
课程导论与基础概念
什么是虚拟资产组合？为什么需要仿真模拟？核心术语（收益率、风险、相关性、夏普比率）解析。
概念入门
02
环境搭建与工具链
Python环境配置（Anaconda）、核心库安装（NumPy, Pandas, Matplotlib, SciPy）、Jupyter Notebook使用。
Python环境
03
数据获取与预处理
使用Pandas读取CSV/Excel数据，处理缺失值，数据标准化与对数收益率计算。
Pandas预处理
04
单资产收益率与风险度量
计算期望收益率、方差、标准差、最大回撤，绘制价格走势与收益率分布直方图。
风险可视化
05
投资组合理论基础
马科维茨均值-方差模型，有效前沿与最小方差组合，风险与收益的权衡。
马科维茨前沿
06
协方差与相关性矩阵
计算资产间的协方差矩阵与相关系数矩阵，热力图可视化相关性。
矩阵热力图
07
蒙特卡洛模拟基础
随机数生成（均匀分布、正态分布），模拟单资产价格路径（几何布朗运动）。
蒙特卡洛模拟
08
蒙特卡洛模拟组合
模拟多资产组合的未来价格路径，计算组合净值曲线。
多资产净值
09
随机权重生成与组合模拟
生成大量随机权重向量，计算每个组合的预期收益、风险与夏普比率。
权重夏普
10
有效前沿绘制
基于蒙特卡洛模拟结果，绘制散点图（风险 vs 收益），标记有效前沿与最优组合。
前沿散点图
11
优化算法入门
SciPy.optimize 库介绍，定义目标函数（最大化夏普比率、最小化方差）。
优化SciPy
12
均值-方差优化实战
使用优化器求解最优权重，对比蒙特卡洛模拟结果与优化结果。
优化对比
13
风险平价模型
风险平价（Risk Parity）原理，等风险贡献权重计算，与均值-方差模型对比。
风险平价均衡
14
最大回撤与Calmar比率
计算组合的最大回撤与Calmar比率，作为风险调整收益指标。
回撤Calmar
15
VaR与CVaR风险度量
历史模拟法计算VaR（95%/99%），参数法计算VaR，CVaR（条件VaR）计算。
VaRCVaR
16
压力测试与情景分析
定义极端市场情景（如2008年金融危机），模拟组合在压力情景下的表现。
压力测试情景
17
再平衡策略
固定周期再平衡（月度/季度），阈值再平衡，再平衡对组合收益与风险的影响。
再平衡策略
18
动态权重调整
基于移动平均线的趋势跟踪策略，动量因子权重调整。
动量趋势
19
Black-Litterman模型
主观观点与市场均衡收益的结合，BL模型下的最优权重计算。
BL模型观点
20
因子模型入门
Fama-French三因子模型，计算因子暴露，因子模拟组合构建。
因子Fama
21
多因子组合构建
基于价值、动量、质量等因子构建多因子组合，因子加权与风险控制。
多因子加权
22
组合绩效归因
Brinson归因模型（资产配置效应、选股效应），计算超额收益来源。
归因Brinson
23
回测框架搭建
设计回测引擎架构（数据、策略、组合、绩效），事件驱动回测 vs 向量化回测。
回测架构
24
交易成本与滑点模拟
固定成本、比例成本、滑点模型，交易成本对组合收益的影响。
成本滑点
25
约束条件处理
做空限制、行业集中度限制、个股权重上限/下限，带约束的优化求解。
约束优化
26
稳健优化
估计误差对优化结果的影响，收缩估计（Shrinkage）协方差矩阵，最小化最大风险。
稳健收缩
27
机器学习在组合中的应用
使用聚类算法（K-Means）进行资产分类，基于分类的分散化投资。
聚类K-Means
28
强化学习初步
Q-Learning简介，将组合再平衡建模为马尔可夫决策过程（MDP）。
强化学习MDP
29
结果可视化与报告生成
使用Matplotlib/Plotly绘制组合净值曲线、风险指标仪表盘，生成PDF报告。
可视化报告
30
综合实战项目
从数据获取到回测到优化的完整流程，构建一个包含10只股票的虚拟组合并输出最终报告。
实战完整流程