第 1 章 · 04 学习路径与工具链
文档摘要
第 1 章 · 04 学习路径与工具链 本节摘要:本节是第 1 章的收束,给你一份可执行的量化学习路线图与工具清单。先讲三块基础知识该补到什么程度——数学(统计/线性代数/优化)、编程(Python/pandas/NumPy)、金融(市场/产品/财务)。再给一条与本教程 12 章对应的学习路径,标注每阶段的重点与里程碑。最后盘点主流开源量化工具链,让你学完方法论后知道用什么落地。读完本节,你有了完整的「学什么、怎么学、用什么」地图。 内容来源:综合本仓库资料/.md 与量化学习通用路径。 学习目标 阅读完本节,你应当能够: 知道量化研究需要的三类基础知识(数学/编程/金融)各该学到什么程度。 拿到一条与本教程对应的学习路径。 认识主流开源量化工具链,知道它们各管什么环节。
第 1 章 · 04 学习路径与工具链
本节摘要:本节是第 1 章的收束,给你一份可执行的量化学习路线图与工具清单。先讲三块基础知识该补到什么程度——数学(统计/线性代数/优化)、编程(Python/pandas/NumPy)、金融(市场/产品/财务)。再给一条与本教程 12 章对应的学习路径,标注每阶段的重点与里程碑。最后盘点主流开源量化工具链,让你学完方法论后知道用什么落地。读完本节,你有了完整的「学什么、怎么学、用什么」地图。
内容来源:综合本仓库资料/*.md 与量化学习通用路径。
学习目标
阅读完本节,你应当能够:
- 知道量化研究需要的三类基础知识(数学/编程/金融)各该学到什么程度。
- 拿到一条与本教程对应的学习路径。
- 认识主流开源量化工具链,知道它们各管什么环节。
一、三类基础知识:该学到什么程度
量化是交叉学科,但不必样样精通。按「够用」原则:
数学:统计为主,线代/优化辅助
| 分支 | 要点到哪 | 用在哪 |
|---|---|---|
| 概率统计 | 必须扎实:分布、相关、回归、假设检验、置信区间 | 第 2 章因子测试(IC/IR)、所有回测 |
| 线性代数 | 矩阵运算、特征值、协方差矩阵 | 第 9 章组合优化、PCA 降维 |
| 优化 | 凸优化基础、拉格朗日 | 第 9 章均值方差、风险平价 |
| 时间序列 | 平稳、自相关、ARIMA 基础 | 有帮助,非必须 |
💡 核心心法:统计是量化的命脉——你的一切判断(IC 是否显著、收益是不是偶然)都建立在统计上。统计不牢,后面全是空中楼阁。
编程:Python 是事实标准
| 技能 | 要求 |
|---|---|
| Python 基础 | 必须:语法、函数、类、异常 |
| pandas | 必须扎实:DataFrame 索引、分组、合并、时间序列 |
| NumPy | 必须:向量化运算(否则代码慢十倍) |
| 绘图 | matplotlib/plotly 基础,能画净值与分布 |
| 数据库 | 了解 SQL,会用 pandas 读写 |
| 版本控制 | git 基础 |
仓库的 main.py 就是纯 pandas 写的,第 3 章第 04 节你会逐行读到。读懂它,你的 pandas 基本够用量化入门。
金融:懂市场与产品
| 知识 | 要点 |
|---|---|
| 市场结构 | A 股/美股的交易规则、涨跌停、停牌 |
| 交易成本 | 手续费、印花税、滑点、冲击成本 |
| 金融产品 | 股票、ETF、期货、期权的基本特性 |
| 财务报表 | 三大表基础,能读懂估值/成长因子的构造 |
| 风险概念 | 波动、回撤、相关性、尾部风险 |
不必成为会计或交易员,但「估值因子怎么算」「期货保证金怎么回事」这类基础要懂,否则看不懂因子的经济含义。
二、与本教程对应的学习路径
本教程 12 章本身是一条路径,按「基础→深化→应用」分三阶段:
阶段一 打基础(第 1~3 章) 第1章 入门心态与资料地图 第2章 多因子模型基础 ← 方法论基石,务必扎实 第3章 技术指标 + KDJ回测实战 ← 配合代码动手 阶段二 学建模(第 4~8 章) 第4章 传统机器学习选股 第5章 深度学习选股(AlphaNet) 第6章 前沿AI(GAN/BERT)← 选读,前沿有风险 第7章 高频与量价因子 第8章 因子挖掘新范式 阶段三 落地应用(第 9~12 章) 第9章 组合优化与风控 ← 信号变持仓的关键 第10章 情绪与文本分析 第11章 另类策略与CTA 第12章 数据/回测/工具生态 ← 实操落地
每阶段的里程碑:
- 阶段一结束:能读懂任何金工研报,会用 pandas 做简单因子测试。
- 阶段二结束:理解 ML/DL 在选股的应用,能跑通一个机器学习选股流程。
- 阶段三结束:能把信号变成可执行组合,知道用什么工具落地。
三、时间投入建议
按每天 1-2 小时估算:
| 阶段 | 时长 | 重点 |
|---|---|---|
| 基础补课(数学/Python) | 1-3 个月(按基础而定) | 统计 + pandas |
| 阶段一(第 1~3 章) | 1-2 个月 | 多因子方法论 + 动手 KDJ |
| 阶段二(第 4~8 章) | 2-3 个月 | ML/DL 选股 |
| 阶段三(第 9~12 章) | 1-2 个月 | 组合与落地 |
不必求快,每章配合研报原文 + 动手复现一个小实验,效果远超纯阅读。
四、主流开源量化工具链
学完方法论,落地需要工具。按量化研究闭环分类:
| 环节 | 工具 | 说明 |
|---|---|---|
| AI 量化平台 | qlib(微软) | 端到端 AI 量化,提供数据+模型+回测,华泰 AI 40 专篇评测 |
| 回测框架 | vectorbt、backtesting.py、zipline-reloaded | 向量化(快) vs 事件驱动(灵活),第 12 章详对比 |
| 交易框架 | vnpy | 国内主流的实盘交易框架 |
| 组合优化 | Riskfolio-Lib、PyPortfolioOpt | 均值方差、风险平价、Black-Litterman |
| 强化学习 | FinRL | 专门为金融设计的 RL 库 |
| 因子挖掘 | alpha-gfn、RD-Agent | 自动因子挖掘(第 8 章) |
| 加密货币 | freqtrade、hummingbot | 加密货币交易机器人(本系列另一教程) |
| 技术指标 | TA-Lib、pandas-ta、technical | 指标计算库 |
💡 工具选择心法:新手别贪多,选「一个平台 + 一个回测框架」深入。推荐 qlib(学 AI 量化)+ vectorbt(快速回测)起步,熟练后再扩展。freqtrade 则是加密货币方向的成熟选择(本系列有它的独立教程)。
五、持续学习:追踪前沿
量化是个快速演进的领域,持续追踪很重要。本仓库自带一个利器——arXiv Radar 子站(第 12 章第 04 节详讲):
- 它用
scripts/的爬虫自动抓取 arXiv 上 AI+Finance 方向论文 - 已索引 962 篇,按主题分类
- 用 LLM 做相关性过滤和中文摘要
除了 arXiv Radar,还建议关注:
- 国内:聚宽/优矿/BigQuant 等社区的研报与策略
- 国外:SSRN 的金融工程板块、各大会议(NeurIPS/ICML 的 Finance Workshop)
六、给不同背景读者的建议
- 金融背景:补 Python/pandas 与统计,重点放第 4~8 章(用你的金融直觉驾驭模型)。
- 计算机背景:补金融基础与统计,重点放第 2 章方法论(别急着上复杂模型,先理解因子)。
- 数学背景:补编程与金融,你的统计优势会让第 2/9 章很轻松,但要警惕「重模型轻落地」。
- 完全入门:先花 1 个月补 Python+统计基础,再从第 2 章多因子慢慢来,不要直接跳到深度学习。
本节要点回顾
- 数学:统计必须扎实(分布/相关/回归/假设检验),线代优化辅助(组合优化用);统计是量化命脉。
- 编程:Python+pandas+NumPy 是事实标准;读懂 main.py 基本够入门。
- 金融:市场规则、交易成本、产品特性、财报基础、风险概念——懂经济含义。
- 学习路径:基础(1-3章)→建模(4-8章)→落地(9-12章),每阶段有里程碑,配合研报+动手复现。
- 时间投入:每天1-2小时,全程约半年到一年;别求快,动手为王。
- 工具链:qlib(AI量化)+vectorbt(回测)+Riskfolio(组合)+FinRL(RL)+freqtrade(加密);新手选一平台一回测深入。
- 持续学习:用仓库的 arXiv Radar 追踪前沿,关注社区与 SSRN。
至此第 1 章结束。下一章(第 2 章)我们进入量化方法论的基石——多因子模型,从因子分类讲起。