正文:
课程大纲：
基础班（一天）：Python语言基础与金融统计分析
Part1：Python语言学习与应用
1、Python语言简介
2、运算符与表达式
3、Python控制流
4、Python函数
5、Python模块
6、异常处理与文件操作
7、Python绘图
8、Numpy篇
9、Pandas篇
10、数据库连接
Part2：金融统计分析概论
1、统计学理论
（1）统计学概论
（2）描述性统计
（3）参数估计
（4）假设检验
2、多变量相关性分析
3、线性回归模型
案例分析：
案例一：大型股票数据库读取股票数据
案例二：A股市场股票数据绘图
案例三：交易数据描述性统计
案例四：非金融专业数据获取方法
实战班（三天）
第一天：
Part1：金融数据处理高级编程
1、Pandas深入分析
2、金融因子数据生成
3、常见的金融数据整理方式
Part2：量化投资概述
1、投资策略回顾与比较
2、基本面、技术分析和量化的联系与区别
3、量化投资概述
4、量化投资风险与管控
Part3：量化投资Python平台介绍
1、数据获取
2、回测框架介绍
3、回测注意问题。
案例分析：
案例一：市盈率手动计算
案例二：Panel数据的存储与提取
案例三：简单的均线穿越策略实现
第二天：
Part1：市场描述策略
描述性研究
Part2：高级交易策略
1、CTA策略
2、大师选股策略
3、市场中性选股策略
4、技术指标类策略
5、资产配置策略
Part3：时间序列模型
1、什么是时间序列数据
2、时间序列的平稳性检验与白噪声探讨
3、时间序列平滑
4、【SMA、WMA EWMA】
5、金融时间序列建模预测
6、【ARMA、ARIMA模型】
7、波动的集聚效应
案例分析：
案例一：如何通过各种数据描述当前市场状态
案例二：CTA策略
案例三：经典大师选股策略
案例四：市场中性选股策略
案例五：技术指标类选股策略
案例六：资产配置策略
案例七：时间序列策略
第三天：
Part1：投资组合基本概念
1、超额Alpha选股
2、CAPM模型
3、三因子模型选股
Part2：投资组合构建
1、单因子测试
2、多因子测试
3、常见的组合构建方法
Part3：数据挖掘算法在量化投资中的运用
1、逻辑回归与涨跌预测
2、支持向量机模型与涨跌预测
3、聚类与股票配对
Part4 舆情分析与关注度模型
1、文本挖掘概述
2、文本处理技巧
3、中文分词
案例分析：
案例一：单因子全套测试代码
案例二：组合构建案例
案例三：文本数据处理案例
量化投资长期班
Module 1—零基础—处理数据
Topic 1:
• Python 编程
◦ 数据类型
▪ 数值类型，字符串，列表，元组，字典，集合
▪ 可变与不可变
◦ 基本语法
▪ 常用运算符
▪ 常用语句
▪ 函数的定义与调用
◦ 进阶技巧
▪ 切片，迭代，列表解析，生成器，迭代器
▪ 面向对象
• 类，封装，与继承
▪ 函数式编程
• map/reduce
• 匿名函数
• 装饰器
• 偏函数
• 数据探索
◦ Numpy：数组和向量计算
◦ Pandas 与金融数据处理
▪ 数据清理，转换，合并，重塑
▪ 数据聚合与分组运算
◦ Matplotlib 与数据可视化
◦ 时间序列数据
▪ 日期的采样，频率，移动，及算术运算
◦ 数据特征分析
▪ 描述性统计
▪ 参数估计
▪ 假设检验
▪ 回归分析
Module 2—宏观角度的投资—要求编程基础
Topic 2: 时间序列, 金融理论，因子模型，财报选股，倉位控制
• 金融学
◦ 收益率
▪ 单期简单收益率
▪ 多期简单收益率
▪ 年化收益率
▪ 考虑股利分红的简单收益率
▪ 连续复利收益率
◦ 风险测度
▪ 方差
▪ 下行风险
▪ 风险价值
▪ 期望亏空
▪ 最大回撤
◦ 资本定价模型及评价
◦ 投资组合理论
◦ 因子模型及评价
• 基本面选股
◦ 财报分析基础
◦ 公司估值
◦ Benjamin Graham 经典价值型投资法
◦ 兼具价值与成长之GARP策略
◦ 积极成长策略
• 宏观择时
• 轮动策略
• 时间序列
◦ 自相关性
◦ 平稳性
◦ 白噪声
◦ 时间序列预测
◦ GARCH 模型
◦ 卡曼滤波器
◦ 协整
◦ 配对交易
• 仓位控制
◦ 凯利公式
◦ 网格交易动态调仓
Module 3—统计学，数学，编程基础（本科）
Topic 3: 技术分析
• 常用技术分析基础
◦ K线
◦ RSI
◦ 均线系统
▪ 移动平均
▪ MACD
◦ 通道
▪ 唐奇安通道
▪ 布林带通道
◦ 随机指标
◦ 量价关系
◦ 能量潮OBV指标
◦ 简易波动指标 EMV
◦ 顺势指标CCI
◦ 人气指数 AR
• 趋势跟踪
◦ 动量
◦ 线性回归与趋势跟踪
◦ 胜率与趋势跟踪
◦ 海龟交易系统
• 技术指标择时
• 多空策略
• 缠论
Topic 4: 金融数据挖掘
• 神经网路 Neural Networks
• 随机森林 Random Forests
• K最近邻 K-Nearest Neighbors
• 支持向量机Support Vector Machines
• 线性判别分析 Linear Discriminant Analysis
• 二次判别分析 Quadratic Discriminant Analysis
• 逻辑回归 Logistic Regression
