第 1 章 · 01 wiki 全景与学习路径
文档摘要
第 1 章 · 01 wiki 全景与学习路径 本节摘要:本节是全教程的入口,回答三个问题:quant-wiki 是什么、它有什么、怎么学。quant-wiki(quant-wiki.com)是由 LLMQuant 社区维护的中文量化金融知识百科,灵感来自 OI Wiki——把散落的量化知识像算法竞赛知识一样系统化、免费化、社区化。它覆盖金融术语、概率统计、量化术语、入门策略、研报精选、AI+量化、书库、行业与求职等板块,目标是「打破国内外量化金融行业信息差」。本节先描绘 quant-wiki 的内容全景,再给出从术语、策略或 AI 三种典型切入的学习路径,帮助读者建立地图感。素材来自 docs/index、about 与 mkdocs.yml 的 nav 结构。
第 1 章 · 01 wiki 全景与学习路径
本节摘要:本节是全教程的入口,回答三个问题:quant-wiki 是什么、它有什么、怎么学。quant-wiki(quant-wiki.com)是由 LLMQuant 社区维护的中文量化金融知识百科,灵感来自 OI Wiki——把散落的量化知识像算法竞赛知识一样系统化、免费化、社区化。它覆盖金融术语、概率统计、量化术语、入门策略、研报精选、AI+量化、书库、行业与求职等板块,目标是「打破国内外量化金融行业信息差」。本节先描绘 quant-wiki 的内容全景,再给出从术语、策略或 AI 三种典型切入的学习路径,帮助读者建立地图感。素材来自 docs/index、about 与 mkdocs.yml 的 nav 结构。
内容来源:quant-wiki docs/index、docs/about、mkdocs.yml 的 nav,知识结构化整理。
⚠️ 学习提示:本节是导论,不涉及具体策略,但请记住一句话——本教程及 wiki 全部内容均为知识整理,不构成任何投资建议;回测有效不等于实盘有效。
学习目标
阅读完本节,你应当能够:
- 说出 quant-wiki 的定位与社区来源(LLMQuant、OI Wiki 启发)。
- 列举 quant-wiki 的六大板块及其规模。
- 区分术语入门 / 策略入门 / AI 入门三条学习路径。
- 为自己选择一条起步路径并知道下一步读什么。
一、quant-wiki 是什么
quant-wiki 是一部免费开放、持续更新的中文量化金融知识百科,域名 quant-wiki.com,代码托管在 GitHub(LLMQuant/quant-wiki)。它的几个关键身份如下。
- 中文百科:面向中文读者,把英文世界的量化知识系统汉化。
- 社区维护:由 LLMQuant 社区提供资金与技术支持。LLMQuant 是一支来自剑桥、牛津、哈佛、苏黎世联邦理工、北大、中科大等高校与 Citadel、Man Group、Jump Trading 等机构的团队。
- OI Wiki 启发:借鉴算法竞赛社区 OI Wiki 的「知识图谱 + 社区共建」模式,把散落的量化知识组织成可检索、可学习、可贡献的结构化体系。
- 打破信息差:核心理念是「致力于量化知识的开源与汉化,打破国内外量化金融行业信息差」。
💡 为什么需要中文百科:量化金融的高质量资料长期以英文为主(教材、论文、研报、博客),中文读者要跨越语言墙、付费墙、信息检索墙三道门槛。quant-wiki 把这些资料精选、汉化、结构化,大幅降低入门成本——这正是它存在的意义。
quant-wiki 还配套了一个实战产品 Quant Question(quantquestion.com),主打 AI 驱动的量化面试刷题与求职。一句话总结两者分工:
Quant Wiki 负责「学」,Quant Question 负责「练」。
二、内容全景:六大板块
从 mkdocs.yml 的 nav 看,quant-wiki 的顶层结构分为以下几块。每一块都是一座「仓库」,后续章节会精选其中的内容做深化。
| 板块 | 定位 | 主要内容 | 典型素材 |
|---|---|---|---|
| 基本概念 | 术语底座 | 金融术语、概率基础、统计基础、量化术语 | docs/basic/ |
| 入门教程 | 方法论入门 | 必懂概念(夏普/期权/组合/高频/EVT)、策略类型 | docs/start/ |
| 学术论文 | 前沿研究 | 论文清单与导读 | docs/paper/ |
| 量化前沿 | 研报与 AI | 研报精选(多因子/AI/高频)、AI+量化最新研究 | docs/advanced/、docs/ai/ |
| 量化百宝箱 | 工具与资源 | 开源框架、数据源、学习资源 | docs/repo/ |
| 行业与求职 | 职业地图 | 买方卖方、大师、薪资、面试 | docs/industry/、docs/job/ |
此外还有 量化图书馆(docs/library),按入门/进阶/编程/AI 量化/面试等分类,收录数百本经典书籍的导读。
💡 规模感:仅 docs/basic 下就有数百个词条(金融术语覆盖一二级市场、股债期衍、宏观指标、财务估值、风险波动等),docs/start 收录了夏普、期权定价、Markowitz、高频、EVT、九大策略等经典入门长文,docs/advanced 汇聚了华泰、海通、广发、国盛、中信等头部券商的多因子与 AI 系列研报。本教程的任务,就是从这片汪洋里精选深化。
三、本教程如何从 wiki 取材
本教程不是 wiki 的复述,而是 wiki 的深化路径。它的取材逻辑是:
- 以 wiki 为素材库:每一节都标注「内容来源:docs/XXX」,可回溯到 wiki 原文。
- 以章节为骨架:把 wiki 散落的词条按「术语—方法—实战—前沿—职业」的逻辑串成八章。
- 以深化为目标:wiki 广而不深(一个词条讲清一个概念),本教程深而不广(一节讲清一个体系)。
| 维度 | quant-wiki | 本教程 |
|---|---|---|
| 粒度 | 单词条 | 体系章节 |
| 深度 | 是什么 | 为什么 + 怎么用 |
| 顺序 | 字母/分类检索 | 线性学习路径 |
| 受众 | 查阅者 | 系统学习者 |
四、三条典型学习路径
不同读者的背景不同,起步路径也应不同。这里给出三条已被验证有效的切入方式。
路径一:术语入门(适合零基础)
金融 → 概率统计 → 量化术语 → 入门策略 → 研报
先建立「词汇表」,再进入方法。这是最稳的路径,适合完全没接触过金融或量化的读者(如计算机、数学背景想转量化)。本教程的**第 2 章(金融术语体系)和第 3 章(概率统计与量化基础)**就是为这条路径设计的。
路径二:策略入门(适合有金融直觉)
入门策略 → 量化术语 → 概率统计 → 研报 → 实战脚本
先看几个经典策略(夏普、Markowitz、BS、EVT),建立「量化在干什么」的直觉,再回头补术语与数学。适合有投资经验、想用模型提升决策的读者。本教程的**第 4 章(入门策略与经典模型)和第 5 章(经典策略脚本解读)**服务这条路径。
路径三:AI 入门(适合有机器学习背景)
AI+量化 → 研报精选 → 策略类型 → 概率统计
先看大模型/强化学习如何与量化结合(本仓库 docs/ai 有大量 2024-2025 论文),再补量化的传统底盘。适合算法/ML 工程师想切入金融场景的读者。本教程的**第 6 章(AI 加量化前沿)**服务这条路径。
⚠️ 路径选择的误区:不要试图「一次性学完所有」。量化知识体量巨大,选一条路径走通,比同时铺开三条路径走马观花有效得多。三条路径最终都会在**第 7 章(组合优化与风险管理)和第 8 章(书库与职业)**汇合。
五、本节学习心态建议
- 地图先于细节:先把 wiki 的板块结构记在脑里,遇到任何概念都能定位「它属于哪一块」,比死记一个个定义更重要。
- 查 wiki,读教程:遇到陌生术语,先去 wiki 查「是什么」,再回教程读「为什么」。
- 练与学并重:读完每节,去 Quant Question 找对应题单刷几道,把概念变成肌肉记忆。
本节要点回顾
- 定位:quant-wiki 是 LLMQuant 社区维护、OI Wiki 启发的中文量化百科,核心理念是「开源汉化,打破信息差」。
- 六大板块:基本概念、入门教程、学术论文、量化前沿(研报+AI)、量化百宝箱、行业求职,外加量化图书馆。
- wiki 与教程:wiki 广(单词条),教程深(体系章节);两者互补,wiki 是素材库,教程是深化路径。
- 三条路径:术语入门(零基础)、策略入门(有金融直觉)、AI 入门(有 ML 背景),最终在第 7-8 章汇合。
- 配套练习:Quant Question(quantquestion.com)负责「练」,与 wiki 的「学」形成闭环。
下一节,我们看量化知识的「三层结构」——术语、方法、实战——以及如何用这个框架把 600+ 词条组织成一张可学习、可检索的知识地图。