二十四课内容详情
Table of Content
共 40 万字，461 段超过 7000 行代码（另有若干策略代码作为福利赠送，未计入），这门课用一句话介绍：涵盖了量化交易全流程、学完就能进入实战的课程。
这门课程共分六个部分，24 个章节。下面是各个部分及章节主要内容介绍，也透露出我们在选题与课程编排方面的考虑：
一、 数据从何而来¶
量化交易的前提是要有海量的可靠数据。
在数据源的选择上，机构投资者选择的金融终端主要有东方财富 Choice、Wind 资讯金融终端，数据源（库）供应商主要有 Wind 资讯、恒生聚源、朝阳永续、天软、巨潮、天相、巨灵、国泰安、通联等。朝阳永续在分析师一致预期、盈利预测数据以及私募基金数据方面占据优势。天软科技在高频行情数据上比较突出。国泰安数据库主要为学术用途其中公司金融数据较为完善。
个人及小型私募投资者主要使用的数据源有 tushare，akshare，jqdatasdk，qmt 等等。这也是这部分课程主要要介绍的内容。
这一部分总共 5 课时。我们会重点介绍 akshare, tushare, jqdatasdk 和 omicron -- 这是大富翁框架自带的数据 sdk。也会提及 yfinance 和其它一些数据源。我们会告诉你哪些能用，哪些现在不能用了，以免耽误时间。
帮大家省时间，是本课程重要目标之一。 我们相信，即使没有我们这门课，您也可能自己拼湊一个量化教程出来，只不过可能要花很久才能找到正确的方向，会失去先发优势。
在介绍每一个数据源时，我们将介绍它的 API 风格，文档风格，API 归类，具体介绍如何实现获取交易日历、证券列表和行情数据。每个数据源都会提供几十个甚至更多的 API，所以归类介绍很重要。掌握每个框架的 API 风格和文档帮助之后，进行探索就是再容易不过的事儿了。
考虑到讲述量化课程时，如果让学员自己去购买数据（免费数据存在种种限制）似乎不太合理；但如果没有数据，很多程序也没法演示：为了确保更好的体验，我们构建了一个量化环境，提供实时行情和历史行情数据（约 40 亿条）和回测平台供大家使用。这就是为什么我们要介绍 omicron -- 很报歉我们在 2019 年时，取了这么个名字，这个名字火遍了全球，但我们还没有。
此外，这部分课也是整个系列中，打基础的部分。我们会介绍跟数据处理密切相关的知识，比如证券代码编码、交易所编码、复权、金融数据处理中的四舍五入问题。这里会涉及到一些看似简单，绝大多数人没有在意或者思考过，但却十分重要的问题：
你平常使用的四舍五入方法，是正确的吗？
你可能从来没想过这个问题。不就是用 math.round 嘛。难道这还会有错？但是你一定知道，四舍五入出错的后果：对于 2 元以下的低价股，四舍五入可能带来 1 分钱的误差，相当于至少 0.5 个百分点！
这还不是舍入误差惟一的影响。实际上，它还会从微观结构上，影响到价格自由度，影响到委买委卖的分布。感兴趣的读者，尤其是做高频的同学可以参考 Is Stock Price Rounded for Economic Reasons in the Chinese Markets 这篇论文，了解下整数价格、吉祥数字在 A 股价格中的特殊作用，以及通过参考文献发现在全球市场上的类似规律。
现在告诉你，Python 的实现真的错了！
一些量化教程建议不要使用前复权，而是使用后复权。我们会让你重新思考这个问题。当我们揭示前复权与后复权之间，只是一个线性变换关系之后，也许你会思考得更深入一些：因为你知道，线性变换不产生任何新的知识，那么前复权与后复权究竟有何区别？
在这一部分，我们还会向你揭示数据的价值。我们会介绍投资者人数、指数的 PE 值等数据如何获取，并且它们是如何与沪指的涨跌相关的，这对于我们进行大周期上的择时比较有帮助。
有一些库非常有用，也写得挺好。但软件也是一门充满遗憾的技术。我们也会对某些开源软件提供改进建议。如果你正在寻找如何在开源量化软件上做出贡献，也许你可以从我们的这些建议出发，帮助他们完善。
二、初识策略¶
我们用三个课时，从三个维度介绍了三个策略。我们把策略安排在第二部分，一方面上完第一部分的课，有的同学可能已经跃跃欲试了；更重要的是，这些策略会从不同的角度向我们展示，做好一个策略究竟需要哪些技能，帮助理解后面的课程为什么这样编排。
第 6 课，我们介绍了一个小市值策略，这是基本面维度。小市值因子是 Fama（又称 FF) 三因子。该因子的有效性得到了华尔街数十年的验证，在 A 股 2017 年之前也是非常有效，此后进入阶段性有效、阶段性失效的状态。这节课解答了这样几个问题：
- 一个最简单的策略，它至少要实现哪些功能？
- 回测结束，如何将资产曲线和策略指标绘制出来？
- 优化策略应该从哪些方向入手？
这节课的代码都是短平快的，容易理解，没有技巧。但是我们留下一道作业题，如何将策略和回测中的公共部分抽象出来，形成可复用的框架？
Easy saying than done. 当你自己手作过一次之后，对量化的理解一定会更深入一个层次。在第 19 课我们开始讲 backtrader 这样复杂的回测框架时，你就应该能很快进入状态，也能理解这样的问题：
为什么我的策略总是回测吃肉、实盘吃土？
这不一定是你的错。回测框架有他自己的选择和难处，没有开发过回测框架的人不知道，更不可能讲给你听。但如果你不了解自己的武器的缺陷，如何确保它们在战场上一定能打响？
第 7 课，我们介绍布林带策略。这是技术分析维度。布林带只使用了最简单的统计理论 -- 正态分布的一些特性，现在我们已不太会单独使用它了；但它作为一个单一策略，曾经大放异彩，成就了一家创业公司。而且正态分布原理是统计和金融数据分析中绕不过去的知识点。
技术分析（广义来讲，即除开基本面分析和宏观择时之外）是 A 股中等及以下规模资金最有效的策略方法。我们从最新一期的华泰金工的研报（2023 年 8 月）可以看出，7 月最有效的因子仍然是反转因子、波动率因子，小市值因子排第三，这仍然是一个技术为王的时代。
这些因子表现数据揭示了策略研究的大致方向，你应该有更好的方法去寻找反转、吃透波动。如果对这些因子的实现感兴趣，你可以在我们的《因子分析与机器学习策略》课程中找到答案。
第 8 课，我们介绍网格交易法，这是不需要策略的策略，是从交易维度构建策略。它充分体现了量化的优势：避免情绪化操作，严格按纪律执行，即使没有策略，也很有可能实现盈利。
当你有了一张渔网时，重要的是知道该在哪儿撒网。 网格交易成功的前提是，股价在区间内长期横盘。我们提示了什么样的情况下、或者什么样的标的容易产生长期横盘。这既有基于行为金融学原理得出的结论，也有基于交易规则得到的答案。而学完后面的课程，你将有能力通过程序来发现这样的标的。
三、 Python 量化交易数据分析¶
第 9 课将介绍 Numpy 和 Pandas，它们一般是作为量化交易的基础数据结构，同时我们也有大量的操作需要 numpy 和 pandas 来完成。
预测涨跌是困难的，但在某些极端场合下则是可能的。比如，上证已经出现了 7 连阳，明天上涨和下跌的概率是多大？这个时候预测下跌，将会有有很大概率正确。我们先放弃这个概率计算问题，回到一个最简单的问题上来，如何通过程序检测出某个标的当前出现了 N 连阳？
几乎每个能写程序、又略懂证券的人都能实现这个功能。但你需要实现得更好，比如，不使用循环，只用一行代码，并且把过去几年所有 N 连阳一次找出来。.. 速度是非常重要的。因为即使你每日只做一次交易，在收盘前进行调仓换股，那么实际上你只有 14：56 到 14：58 这样两分钟左右的时间，把市场上所有品种遍历一次（并且进行策略计算），你的程序最好得快点，实践表明，这并不容易。
这一课里，我们把常用量化框架中高频出现的 numpy 函数几乎都讲了一遍，这部分的习题也比较有技巧，掌握它们，快速成为 Numpy/Pandas 高手！
第 10 课我们介绍 talib，这是最重要的技术分析库之一，很多量化框架都集成了它。
第 11 课和第 12 课，我们介绍了一些统计知识。你很快就会看到它们的巨大威力！
这两课当中，我们验证了沪指究竟服从什么概率分布这一基础性问题 ，也回答了“如果上证指数下跌 4%，能抄底吗？”这样的问题。更多的类似问题，相信学完后，你自然能探索和解答了。
很多人认为，概率的东西比较难理解，比如象 pdf（概率密度函数）/cdf（累积分布函数）这样的概念就是。但我们从直方图讲起，再设想直方图的每个分箱大小趋近于 0，这样就得到了 pdf，相信如果这么讲，加上无数的图和代码，概率和统计也没那么难理解？
结合我们之前学过的知识，我们已经可以进行一些比较有难度的 k 线形态检测了。这就是第 13 课的主要内容 -- 技术形态分析。
K 线形态检测在一个散户为主的市场中非常有用，它是将波浪理论程序化执行的基础。短线交易的本质是筹码，任何上涨和下跌都必然落入有限的几种范式当中，因此，k 线形态检测，即使不能用来做预测，也能用来做事后确认。
这一课中我们给出了一个完全自适应的检测顶底的方法：基于概率分布理论，有坚实的数学基础。
红点这是我们使用自适应算法检测顶底的结果，基于这些顶和底，我们进行了支撑线和压力线的测算。当事实摆在我们面前时，你不得不承认，画线派有时确实在 A 股掌控了市场：
我们当然可以运用它来做更多的事情，比如检测 M 头和 W 底：
或者平台整理突破（这里我们把机器学习里的二维聚类算法移植到了一维时间序列上）：
还有智能 RSI 的原理和算法，等等。
如果你学习课程的目标是为了换工作，那么第 14 课的内容--因子分析不可或缺。我们详细介绍了因子分析的方方面面：回归、IC 和分层，从原理到实现。
当你走完了因子分析的全流程，已一览大部分细节和框架之后，第 15 课把你带到了 Alphalens 面前。现在，学习 Alphalens 应该轻松许多，因为你已经知道它是什么，要干什么。
Info
Alphalens 是 Quantpian 开发的 pyfolio 库中的一部分。Quantpian 曾经是全球最大的开源 Quant 社区，它的成功，也推动了国内如聚宽， bigquant 等创业公司的发展。如今，Quantpian 已成为历史，Alphalens 已成为量化遗产，还没有新的维护者，如果你擅长程序开发，那么，在学完这门课程，掌握了足够的领域知识，也可能成为它的维护者，许这也是你可以取得成就的地方！
四、 数据可视化¶
第 16 课到第 18 课我们专注于可视化。
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，它是数字语言和故事语言之间的桥梁，使得个人和组织能够做出有明智的决策，并创造有意义的变革。
在量化交易中，我们固然以自动化程序为主，但仍然在因子探索、生成回测报告、算法研究等方面，借助我们的直觉。这种直觉正是来自于图形。
我们在课程中向大家介绍 matplotlib，plotly, seaborn 和 pyecharts 这些绘图界的超级明星们。同时，坚持本课程一以贯之的理念，解剖了绘图框架、部分还原了引擎盖下的运行机制，从而使得你在面临新的框架和新的问题时，决不会茫然无措。
五、 策略与回测¶
第 19 课和第 20 课，我们介绍 backtrader, 当下最流行的纯回测框架。
第 21 课，在能够熟练地进行回测之后，我们来学习应该如何评价我们的策略。我们会介绍 sharpe 率，sortino， annual return 等等众多指标，它们是如何揭示策略在风险与盈利之间的平衡特性；我们还会介绍一个专业而简单易用的策略评估指标绘图库 - quantstats。
回测就像人生一样，处处充满了陷阱，有一些是框架本身带来的 -- 比如一些框架无法使用真实复权（象 backtrader，如果是在__init__中一次性生成了指标，无论是使用哪种复权数据，你都使用了未来数据！）；有一些则是你的策略、计算精度、误用未来函数、分红、交易规则等等带来的。我们将在这一课中，详细介绍这些 pitfall。
我们还会介绍大富翁的回测框架，这不是兜售私货，而是因为像 backtrader 这样的框架，要么避免不了前面提到的回测陷阱，要么你得花很多功夫去改造它。考虑到大富翁是开源的、并且回测框架几乎已经支持了分布式回测 -- 如果我要改动 backtrader，还不如接受大富翁回测框架 -- 如果你的公司正在寻找一款符合 A 股交易规则，能解决复权问题，最好还具有分布式基础 -- 建议你认真学完这一课。
这是第 22 课的内容。
六、 接入实盘¶
第 23 和第 24 课，我们将介绍如何接入实盘交易。你也将从这里离开彩排场，进入现场直播。
我们会介绍没有资金门槛的 easy_trader，和有一定资金门槛的 ptrade，qmt，和东财、华泰量化交易平台。QMT 是迅投推出的量化平台，除了内置策略编辑、回测运行功能之外，它还提供了一个名为 XtQuant 的 Python 库，我们可以使用它提供的数据和交易功能。目前 QMT 是量化程序接入实盘性价比最高的方案。
十年磨一剑，霜刃未曾试。过这么多课程的学习以及练习，我确信，你已经准备好，为自己制造一台印钞机了！