量化金融研究课程

面向零基础同学的量化金融学习路径，涵盖金融概念、算法原理、Python 实现与历史数据回测，并配套练习、研究规范和可复现性检查。

教学定位：本仓库用于量化金融教学、策略研究和历史数据实验，不提供实盘交易系统，也不保证示例策略具有未来盈利能力。不提供券商、交易所或账户接口；不处理实时行情和订单生命周期；不提供生产级风控、容灾和监控。示例收益不构成投资建议；考虑手续费和滑点不等于可以用于实盘。

---

学习路线图

模块0：环境配置
    ↓
模块1：金融基础概念（数学基础、价格收益、风险、市场、概率模拟、GARCH、统计、时序分析、现值、AR过程）
    ↓
模块2：数据获取与处理（数据源、数据清洗、特征工程）
    ↓
模块3：技术指标与信号（趋势、动量、波动率、股票池选股、协整与相关性）
    ↓
模块4：策略回测框架（策略思维、简单回测、backtrader、绩效评估）
    ↓
模块5：投资组合优化（Markowitz、风险平价）
    ↓
模块6：机器学习与量化（特征筛选、预测建模）
    ↓
后续进阶模块：基本面量化(07)、期货与大宗商品(08)、高频交易(09)、数学方法(10)

---

项目结构

quant-trade-tutorial/
├── README.md                     # 本文件
├── environment-cpu.yml           # 默认 CPU 课程环境
├── environment-gpu.yml           # 可选 NVIDIA GPU 环境
├── docs/                         # 网站和课程内容
│   ├── 00_setup/                 # 模块0：环境配置
│   ├── 01_financial_concepts/    # 模块1：金融基础
│   ├── ...
│   ├── 10_math_methods/          # 模块10：数学方法
│   ├── datasets/                 # 固定教学数据
│   ├── exercises/                # 独立习题 Notebook
│   ├── solutions/                # 独立参考答案 Notebook
│   ├── projects/                 # 模块项目与 Capstone
│   └── utils/                    # 共享工具函数
├── scripts/                      # 检查、执行和课程生成脚本
└── tests/                        # 工具函数测试

---

快速开始

conda（推荐）

conda env create -f environment-cpu.yml
conda activate quant-cpu
jupyter notebook

需要运行 GPU 章节时，改用 environment-gpu.yml 并激活 quant-gpu。常规课程不要求 CUDA。

验证环境

python docs/00_setup/check_env.py

---

各模块内容概览

模块	主题	核心内容
00	环境配置	Conda 安装、包管理、Jupyter 使用
01	金融基础	收益率、波动率、GARCH、概率模拟、统计基础、时序分析、现值估值
02	数据处理	常见数据源下载、数据清洗、收益率特征工程
03	技术指标	趋势/动量/波动率指标、Universe 选股过滤、协整配对检验
04	策略回测	策略思维来源、手写回测框架、backtrader 框架应用
05	组合优化	Markowitz 均值方差优化
06	机器学习	因子库特征选择与降维
07	基本面量化	财务报表、价值因子、质量因子挖掘
08	期货策略	期货基础、商品动量、期限结构
09	高频交易	订单簿底层逻辑、做市商模型基础
10	数学方法	蒙特卡洛、线性规划、马尔可夫链

---

主要依赖

类别	包
数据处理	numpy, pandas
可视化	matplotlib, seaborn
科学计算	scipy
机器学习	scikit-learn, xgboost
深度学习	pytorch；GPU 环境使用 CUDA 12.1
时序/统计	statsmodels, arch (GARCH)
数据获取	yfinance, akshare, adata
回测框架	backtrader
开发工具	jupyter, notebook

---

学习建议

1. 按顺序学习 — 模块之间有强依赖关系，每一个 notebook 的文末都指明了下一步。
2. 动手运行代码 — 每个 notebook 都有可交互的示例与 练习。
3. 修改参数 — 改变参数观察结果变化，加深理解。
4. 做笔记 — 在 notebook 中记录自己的思考。

---

参考资源

• QuantEcon
• Backtrader 文档