§ 量化二十四课
课程大纲
1. 导论
1.1. 证券投资和量化交易的发展
1.2. 量化交易知识体系
1.3. 什么样的人适合做量化？
1.4. 量化策略浅探
1.4.1. Alpha 策略
1.4.2. 市场中性策略
1.4.3. 高频套利策略
1.4.4. 技术分析类策略
1.4.5. 策略研究方法
1.5. 课程内容简介
1.6. 如何学习本课程
1.6.1. 预备知识
1.6.2. 在线量化环境介绍
I. 证券常识与数据源
这一部分介绍最量化交易必须掌握的证券常识，比如复权。复权是量化交易中不可回避的问题，将贯穿我们课程始终，但我们在网上看到的答案，很多是错的。这一节还会告诉你一个意想不到的问题，Python在四舍五入上也有问题
2. 证券常识及数据源之 Akshare
2.1. 交易所及证券代码
2.2. 复权知识
2.3. Akshare
2.3.1. 在课件环境下安装 akshare
2.3.2. 实时股票数据
2.3.3. 股票历史数据
2.3.4. 证券列表
2.3.5. 交易日历
2.3.6. 封装和改进建议
2.3.7. 练习
3. 数据源之 Tushare、JqDataSdk
3.1. TUSHARE
3.1.1. 在课件环境下安装和设置 token
3.1.2. 股票历史数据
3.1.3. 证券列表
3.1.4. 交易日历
3.2. 聚宽本地数据
3.2.1. 在课件环境下安装和设置账号
3.2.2. 股票历史数据
3.2.3. 证券列表
3.2.4. 交易日历
3.3. BAOSTOCK
3.3.1. 股票历史数据
3.3.2. 证券列表
3.4. YFINANCE
这一节的习题，将提示前后复权之间的线性变换关系
4. 使用Zillionare来获取数据
4.1. Omicron
4.1.1. 初始化 omicron
4.1.2. 实时股票数据
4.1.3. 股票历史数据
4.1.4. 证券列表
4.1.5. 交易日历
4.1.6. 板块数据
4.2. 数据解读 A 股: 投资者人数与市场走势关系
5. 习题讲解（仅视频）
II. 初识策略
6~8课构成课程的第二部分。我们从基本面、技术面和交易执行等三个维度介绍了三种类型的策略，以及如何编写策略回测和构建一个简单的回测框架。在示例中，我们还提供了更多的策略，比如Connor's RSI策略
6. 小市值策略
6.1. 小市值策略简介
6.2. 策略实现 - 手动实现最简单的回测
6.2.1. 初始化
6.2.2. 绘图
6.2.3. 策略主体代码
6.3. 策略优化
6.3.1. 择时优化
6.3.2. 规则优化
6.3.3. 参数优化
7. 布林带策略
7.1. 使用coursea的初始化
7.2. 基于基类的布林带策略 - 回测框架化
7.3. 策略优化方向讨论
7.3.1. 参数优化
7.3.2. 趋势判断
8. 网格交易
8.1. 网格交易 - 无需择时的策略
8.2. 代码实现
8.2.1. 初始化
8.2.2. 评估函数
8.2.3. 策略行为分析
8.3. 技术实现问题
8.3.1. 委托价格和交易时机
8.3.2. 送转问题
8.3.3. 交易单位
8.4. 策略优化: 从1.37%到79.8%!
8.4.1. 选择有“界”的标的
8.4.1.1. 大市值股票
8.4.1.2. 超跌股票
8.4.1.3. 可转债
8.4.2. 基于历史数据，确定网格参数
8.4.3. 提高资金利用率
8.5. 趋势跟踪网格
III. 量化交易中的数据分析：理论与实现
9~13是量化分析的基本功，重点介绍Numpy、Pandas、Talib等库的用法。第9章的习题提供了很多富有技巧、且在量化中常用的Numpy练习题
9. Numpy 和 Pandas
9.1. Numpy
9.1.1. 创建数组
9.1.1.1. vanilla version
9.1.1.2. 预置特殊数组
9.1.1.3. 通过已有数组转换
9.1.2. 查看 (inspecting) 数组特性
9.1.3. 数组操作
9.1.3.1. 升维
9.1.3.2. 降维
9.1.3.3. 转置
9.1.3.4. 增加/删除元素
9.1.4. 逻辑运算和比较
9.1.5. 集合运算
9.1.6. 数学运算
9.1.6.1. 点乘
9.1.6.2. 聚合运算和统计函数
9.1.7. 读取、查找和搜索
9.1.7.1. 索引和切片
9.1.7.2. 查找、替换、筛选
9.1.8. 类型转换和 typing module
9.1.9. Structured Array
9.1.10. IO
9.1.11. 量化交易中常用函数示例
9.1.11.1. REF(close, n)
9.1.11.2. EVERY(cond, n)
9.1.11.3. LAST(cond_list, n, m)
9.1.11.4. BARSLAST
9.1.11.5. CROSS
9.2. Pandas
9.2.1. creation
9.2.2. 数据访问
9.2.3. 遍历 dataframe
9.3. pandas vs numpy
10. Ta-Lib
10.1. 安装talib
10.1.1. 原生库的安装
10.1.1.1. Macos
10.1.1.2. Linux
10.1.1.3. Windows
10.1.1.4. 使用conda
10.1.1.5. 第三方构建的wheel包
10.1.2. 安装python wrapper
10.2. ta-lib概览
10.2.1. 关于帮助文档
10.2.2. 两类接口
10.2.3. 方法概览
10.3. 常用指标函数
10.3.1. ATR
10.3.2. 移动平均线
10.3.2.1. SMA
10.3.2.2. EMA
10.3.2.3. WMA
10.3.3. 布林带
10.3.4. MACD
10.3.5. RSI
10.3.6. OBV （on-balance volume)
10.4. 模式识别函数
10.4.1. CDL3LINESTRIKE
10.4.2. CDL3WHITESOLDIERS
统计与概率在量化分析中占有重要地位。第11~12课梳理了量化中最常用的统计与概率知识，包括一阶矩到四阶矩、PDF/CDF，协方差等。这一章的示例中，就会解决沪指下跌4%了，此时能不能抄底这样的问题
11. 数据分析与Python实现（1）
11.1. 考察数据分布
11.1.1. 寻找数据的中心
11.1.1.1. 均值和质心
11.1.1.2. 中位数
11.1.1.3. 众数
11.1.2. 量化数据的分散程度
11.1.2.1. 分位数
11.1.2.2. 方差和标准差
11.1.2.3. 频数、PMF、PDF、CDF、PPF和直方图
11.1.2.4. 概率密度和概率密度函数
11.1.2.5. 累积概率和累积概率函数CDF
11.1.2.6. CDF估计及其应用
11.1.2.7. 几个概念之间的关系
11.1.3. 数据的分布形态
11.1.4. 中心矩的概念
11.1.5. 偏度、峰度在投资中的解释与应用
12. 数据分析与Python实现（2）
12.1. 统计推断方法
12.1.1. 分位图
12.1.2. 假设检验方法
12.2. 拟合、回归和残差
12.2.1. 残差及其度量
12.2.1.1. max_error
12.2.1.2. mean_absolute_error
12.2.1.3. mean_absolute_percentage_error
12.2.1.4. mean_squared_error
12.2.1.5. rooted mean squared error
12.2.2. 回归分析
12.3. 相关性
12.3.1. 协方差和相关系数
12.3.2. 皮尔逊相关性和斯皮尔曼相关性
12.3.3. 相关性分析示例
12.4. 距离和相似性
12.4.1. 常见距离定义列举
12.4.2. 如何计算距离
12.5. 归一化
13. 技术分析实战
传统的技术分析并没有太多的理论支撑，但它基于交易者的经验，自然有它的道理。在学习了第11~12课后，我们把学到的知识用以技术分析，发现峰回路转、别有洞天。传统的技术分析，在统计理论知识加持下，通过自适应参数，大大提高了算法的鲁棒性和择时能力
13.1. 箱体的检测
13.1.1. 基于统计的方法
13.1.2. 基于聚类的算法
13.2. 寻找山峰与波谷
13.2.1. scipy中的实现
13.2.2. 第三方库：zigzag
13.2.3. 如何平滑曲线
13.2.4. 双顶模式的检测
13.2.5. 圆弧底的检测
13.3. 凹凸性检测
14. 因子分析
因子是能具有预测能力的特征。因子分析与检验是一种快速筛选其特征的方法，这也是进入量化机构的必考知识点。我们通过手动分步实现因子分析各个步骤，然后介绍Alphalens这一常用因子检验框架
14.1. 因子分类
14.2. 因子分析
14.2.1. 预处理
14.2.1.1. 异常值处理
14.2.1.2. 缺失值处理
14.2.1.3. 分布调整
14.2.1.4. 标准化
14.2.1.5. 中性化
14.3. 单因子测试
14.3.1. 回归法
14.3.1.1. 回归法的因子评价
14.3.2. IC分析法
14.3.2.1. IC分析法的因子评价
14.3.3. 分层回测法
14.3.4. 三种方法的区别与联系
14.4. 因子评价体系
15. Alphalens及其它
15.1. Alphalens
15.1.1. Alphalens调用流程
15.1.2. 数据预处理
15.1.3. 因子分析
15.1.4. Alphalens常见错误和警告
15.1.4.1. 时区问题
15.1.4.2. MaxLossExceedError
15.1.4.3. FutureWarning
15.2. JQFactor和jqfactor-analyzer
15.3. sympy
15.4. statistics
15.5. statsmodels
15.5.1. OLS（普通最小二乘法）估计
15.5.2. 比较OLS与RLM
15.5.3. ARIMA模型与时间序列预测
15.6. zipline
15.7. pyfolio
15.8. ta
IV. 数据可视化
绘图不仅仅为了创造美丽的可视化效果，更是为了释放数据的全部潜力，并揭示原本隐藏的insights。这一点在量化中也不例外。我们需要有能力绘制k线图、并且叠加回测信号以供我们调优策略，也需要绘制回测报告等。
16. Matplotlib 绘图
16.1. matplot 简介
16.2. 图是如何构成的
16.2.1. 最顶层的概念
16.2.2. pyplot, Figure与Axes之间的关系
16.2.3. layout
16.2.4. Figure Anatomy
16.3. 高频使用对象
16.3.1. Axis
16.3.1.1. spine定位与隐藏
16.3.1.2. 共享x轴
16.3.1.3. 刻度
16.3.2. 文本和中文
16.3.3. 样式和颜色
16.3.3.1. colormap
17. Plotly 绘图
17.1. Plotly 中的基本概念
17.2. Plotly 模块结构
17.2.1. Plotly Express
17.2.2. Graph Objects
17.2.3. 其它
17.3. 比较 plotly express 与 go.Figure
17.4. Plotly 股票分析图绘制
17.4.1. K 线图绘制
17.4.2. 叠加技术指标
17.4.3. 子图
17.4.4. 显示区域
17.4.5. 交互式提示
17.5. 色彩
17.5.1. 离散色彩序列
17.5.2. 连续色阶
17.6. 主题和模板
17.7. Dash 简介
17.7.1. Hellow World
17.7.2. 连接到数据
17.7.3. 增加交互式控件
17.7.4. 美化应用程序
17.7.5. 深入Dash
18. Seaborn 与 PyEcharts 绘图
18.1. Seaborn
18.1.1. Seaborn 绘图概览
18.1.1.1. 统计关系的可视化
18.1.1.2. 数据分布的可视化
18.1.1.3. 二元分布的可视化
18.1.1.4. 联合分布和边缘分布
18.1.1.5. 回归拟合
18.1.2. 主题
18.1.3. 调色板的使用
18.1.3.1. 定性调色板
18.1.3.2. 连续调色板
18.1.3.3. 发散调色板
18.2. PyEcharts
18.2.1. 在 Notebook/Jupyterlab 中运行
18.2.2. 调用习惯
18.2.3. 使用选项
18.2.4. 子图和布局
18.2.4.1. Grid 布局
18.2.4.2. Page 布局
18.2.4.3. tab 布局
18.2.4.4. Timeline
18.3. 关于颜色和美学
V. 回测框架
backtrader是最著名的开源回测框架，很多机构并没有量化投研系统的研发能力，在内部就常常使用backtrader做回测。我们用两个课时，深入讲解了backtrader的用法。
19. backtrader 回测框架（1）
19.1. 快速开始
19.2. backtrader 语法糖
19.2.1. 时间线 (Line)
19.2.2. 运算符重载
19.3. Data Feeds
19.3.1. GenericCSVData
19.3.2. Pandas Feed
19.3.3. 自定义一个 Feed
19.3.4. 增加新的数据列
19.4. 多周期数据
19.4.1. 多周期技术指标比较
19.5. 指标
19.5.1. 内置指标库
19.5.2. 自定义指标
19.5.2.1. 最小周期
20. backtrader 回测框架（2）
20.1. Cerebro
20.1.1. 增加记录器（日志）
20.1.2. 增加观察者
20.1.3. 执行与绘图
20.2. Order
20.2.1. notify_order
20.3. 交易代理
20.3.1. 资产与持仓查询
20.3.2. 成交量限制
20.3.2.1. FixedSize
20.3.2.2. FixedBarPerc
20.3.2.3. BarPointPerc
20.3.3. 交易时机 - Cheat-On-Open
20.3.4. 交易时机 - Cheat-on-Close
20.3.5. 交易函数
20.3.5.1. 普通交易函数
20.3.5.2. order_target 系列
20.3.6. 组合交易
20.3.7. OCO 订单
20.3.8. 滑点、交易费用
20.3.8.1. 固定滑点
20.3.8.2. 百分比滑点
20.3.9. 交易费用
20.4. 可视化
20.4.1. 观察器
20.4.1.1. Broker 观察器
20.4.1.2. BuySell 观察器
20.4.1.3. Trade 观察器
20.4.1.4. TimeReturn 观察器
20.4.1.5. DrawDown 观察器
20.4.1.6. Benchmark 观察器
20.4.2. 定制绘图
20.4.3. 收集回测数据
20.5. 优化
20.6. 小结
21. 策略回测评估
回测结果怎么看？这是一个策略评估问题。这里我们还将解答一个问题，如果你的策略上线了，现在表现弱于预期，在何种情况下应该中止策略？这是一个常见的面试问题。
21.1. 回报率
21.1.1. 简单回报率
21.1.2. 对数回报率
21.1.3. Cumulative Returns
21.1.4. Aggregate Returns
21.1.5. Annual Return
21.2. 风险调整收益率
21.2.1. sharpe ratio
21.2.2. sharpe 比率与资产曲线的关系
21.2.3. sortino 指标
21.2.4. Max DrawDown （最大回撤）
21.2.5. Sharpe 与 max drawdown 的关系
21.2.6. 年化波动率
21.2.7. Calmar Ratio
21.2.8. Omega Ratio
21.3. 基准对照类指标
21.3.1. information ratio
21.3.2. alpha/beta
21.4. 策略评估的可视化
21.4.1. Metrics
21.4.2. plots
21.4.3. basic 和 full
21.4.4. html
22. 回测陷阱
你听说过的回测吃肉、实盘吃土的现象吗？它是如何造成的呢？这一节我们介绍回测陷阱，将以丰富的实战功力，助你快速补齐实战经验不足的问题。
22.1. 幸存者偏差
22.2. Look-ahead bias
22.2.1. 引用错误
22.2.2. 偷价
22.2.3. 复权引起的前视偏差
22.2.4. PIT数据
22.3. 复权引起的问题
22.3.1. 使用复权数据的必要性
22.3.2. 后复权的问题
22.3.3. 复权相关的其它问题
22.4. 交易规则
22.4.1. T+1交易
22.4.2. 涨、跌限制
22.5. 过度拟合
22.6. 回测时长
22.7. 回测与实盘的差异
22.7.1. 信号闪烁
22.7.2. 冲击成本
22.7.3. 不可能成交的价格
22.7.4. 撮合问题
22.8. 大富翁回测框架
22.8.1. 回测功能简介
22.8.1.1. 架构和风格
22.8.2. 策略框架
22.8.2.1. 数据和数据格式
22.8.2.2. 跨周期数据
22.8.2.3. 驱动模式与性能
22.8.2.4. 回测报告
22.8.3. 一个完整的策略示例
22.8.4. 参数优化
22.9. 参考文献
VI. 接入实盘
所有的准备，最终都是为了接入实盘。最后两节课，将为你介绍各种接入方案。