- 文集信息
- 目录大纲
- 最新文档
- 知识宇宙
文集详情
文集导读
Sunday Quant Scientist · 中文速查手册
量化研究工具箱速查:把 45 期周刊代码,归位成一条可查阅的研究流水线
这本手册在讲什么
这是一份为 Sunday Quant Scientist(周日量化科学家) 周刊配套代码集编写的中文速查手册。
原项目是 Quant Science, LLC 维护的周刊代码库——每周一期(QS001~QS048),一个独立 Python 脚本讲一个量化技术点。它的素材极其丰富:OpenBB 终端、yfinance 数据、技术指标(ATR/RSI/MACD)、组合优化(riskfolio/HRP/skfolio)、因子分析(alphalens)、机器学习(RandomForest/Autoencoder/HMM)、强化学习(TensorTrade)、高效计算(pytimetk/polars)、回测评估(quantstats/ffn)……几乎覆盖量化研究全流程。
但原项目有个硬伤:README 只有三行订阅链接,没有任何目录、章节或导览。45 个文件夹散在根目录,初学者根本不知道从哪开始、哪期讲什么、哪几期是同一主题。
本手册的价值就是把这些散乱的"周刊菜"重新摆盘,做成一份可速查的工具菜单。我们按量化研究的真实流水线——获取数据 → 算指标 → 优化组合 → 研究因子 → 上机器学习 → 评估回测——把精选的 22 期 QS 主题归位到 6 个工位(6 章),每章告诉你这个工位有哪些工具、每个工具怎么用、背后什么数学原理。
💡 怎么用这本手册:它不是线性的教科书,而是菜单。你可以按章顺序通读建立全景,也可以按需直查某个工具(比如"我想做风险平价"直接翻第 3 章)。每节都是独立的速查卡——先讲工具/原理,再讲脚本怎么用,最后点出可教学的关键技巧。
一张图看懂量化研究流水线
这条流水线就是量化研究的真实节奏:先有数据,再算特征,然后要么优化组合、要么研究因子策略,机器学习是升级武器,最后必须用回测评估验证,反馈到下一轮。6 个工位缺一不可。
六章工具菜单
| 章 | 工位 | 精选 QS 主题 | 核心工具 |
|---|---|---|---|
| 1 | 金融数据获取与选股 | QS001/002/003/046 | OpenBB、yfinance、FinViz 选股 |
| 2 | 技术指标计算 | QS004/009/010/013/021 | EMA、ATR、RSI、MACD、mplfinance K线 |
| 3 | 组合优化与风险管理 | QS011/014/022/040/031 | riskfolio、HRP、skfolio、CVaR、Kelly |
| 4 | 因子分析与策略研究 | QS015/045/043 | alphalens、Zipline 均值回归、事件研究 |
| 5 | 机器学习与深度学习 | QS007/025/026/037 | RandomForest、Autoencoder、HMM、TensorTrade |
| 6 | 高效计算与回测评估 | QS005/012/018/017/020 | pytimetk、polars、quantstats、ffn |
章节目录
第 1 章 金融数据获取与选股
数据是量化研究的起点。本章讲怎么拿数据:OpenBB 终端无代码体验(QS001)、自动交易选股流水线(QS002)、OpenBB SDK 选股器与本地缓存(QS003)、yfinance 免费三件套——行情/期权/财报(QS046)。
第 2 章 技术指标计算
指标是策略的语言。本章手写四大经典指标:EMA 与卡尔曼滤波平滑对比(QS004)、ATR 波动率(QS009)、RSI 超买超卖(QS010)、MACD 趋势动量与因子验证(QS013),外加 mplfinance 一行画 K 线(QS021)。
第 3 章 组合优化与风险管理(本章最厚)
组合怎么配、风险怎么量。本章讲五大方法:skfolio 风险平价与回测(QS011)、riskfolio 全功能与有效前沿(QS014)、HRP 层次风险平价(QS022)、CVaR 条件风险价值手写实现(QS040)、Kelly 凯利公式最优杠杆(QS031)。
第 4 章 因子分析与策略研究
因子有没有预测力、策略能不能赚钱。本章讲:alphalens 动量因子完整检验报告(QS015)、Zipline 均值回归多空策略(QS045)、3 日回调事件研究与胜率(QS043)。
第 5 章 机器学习与深度学习
让模型替你找规律。本章讲四类:RandomForest 趋势分类与特征工程(QS007)、PyTorch Autoencoder 股票聚类(QS025)、HMM 隐马尔可夫市场状态识别(QS026)、TensorTrade 强化学习交易(QS037)。
第 6 章 高效计算与回测评估
算得快、评得准。本章讲:pytimetk 链式特征工程与可视化(QS005/012)、polars 高性能与 Pandas 对照(QS018)、quantstats 一键 tearsheet(QS017)、ffn 轻量绩效(QS020)。另含 temp 目录的进阶补充(PCA 因子暴露、快速滚动函数)。
关于原项目与版本
项目身份:Sunday Quant Scientist,作者 Quant Science, LLC,周刊配套代码集(QS001~QS048,缺 QS033/036/042,共 45 期)。
代码规模:约 4312 行 / 53 个 Python 脚本 + 5 CSV + 4 PNG + 3 HTML + 1 xlsx。
重要版本提示:
- 部分脚本依赖 OpenBB 3(
openbb_terminal.sdk),而当前 OpenBB 已到 4.x 且 API 不兼容。涉及 QS002/003/009/010/013/007。本手册会标注并提供 OpenBB 4 迁移提示,或改用 yfinance 替代。 requirements.txt是 423 行的超大 conda 环境导出(含 OpenBB 全家桶),实际每章只需 3-5 个包。本手册分章给精简依赖。temp/目录有约 9 个草稿(PCA 因子暴露、GARCH 占位、Druckenmiller 组合等),其中QS020-garch是空文件(仅# TODO)。本手册第 6 章会提及有价值的 temp 脚本。
适合读者
本手册适合想快速建立量化研究全景、或按需查阅某个工具的量化学习者/从业者:
- 刚入门量化、想了解"量化研究到底分哪些环节"的学习者
- 想快速上手某个库(riskfolio/pytimetk/alphalens 等)的开发者
- 有一定 Python 基础,想用机器学习做选股/择时的研究者
前置知识:
- Python 基础(pandas DataFrame、matplotlib 画图能读懂)
- 量化基本概念(股票/收益率/波动率知道是什么)
- 可选:机器学习基础(第 5 章用到 sklearn/PyTorch,不熟也能读懂思路)
目录大纲
最新文档
知识宇宙
正在加载知识图谱...