量化投资方法论

量化投资方法论

从技术指标到组合优化的完整知识体系——汇总 17 个开源量化项目（LEAN、vn.py、abu、freqtrade、Sequoia-X、PyPortfolioOpt、ai-hedge-fund、Vibe-Trading、whale-quant、Intro-QF、ML4T、quant-trading、quant-wiki、Quant Scientist、daily_stock_analysis、go-stock、AutoHedge）中关于股市与金融的方法论精华。

这本教程讲什么

这是一份纯知识体系的量化投资方法论教程。它不教某个框架的 API，而是把散落在 17 个开源项目、数百篇卖方研报和经典投资著作中的金融方法，整理成一条从"看懂一个指标"到"构建一个组合"的完整知识主线：

• 指标层：169 个技术指标的分类地图、K 线形态、以及"哪些指标真的有用"的实证祛魅
• 策略层：趋势跟踪、均值回归、统计套利、A 股特色形态四大策略族的解剖
• 因子层：多因子体系的工业标准流程（IC/IR 检验、中性化、合成、Barra 风险模型）与前沿挖法（AlphaNet、遗传规划、LLM）
• 组合层：MPT 六种答案、Black-Litterman、风险平价、HRP
• 资金层：ATR 仓位、凯利公式、风险预算、止损体系
• 思维层：绩效度量、回测陷阱、批判性研究纪律

💡 核心心法：知识体系比工具重要，方法论比代码重要。这 17 个项目的共性结论是——决定长期盈亏的不是你用什么框架，而是你是否理解指标背后的市场机制、因子背后的统计检验、仓位背后的风险预算。这本教程只讲后者。

学习路线

阅读顺序

素材来源

本教程的方法与数据点提炼自以下项目（详见附录 B）：LEAN 指标库与组合构造、vn.py 因子表达式引擎与 A 股回测、abu 仓位与止损因子体系、freqtrade 保护机制与调参哲学、Sequoia-X 六大形态策略、PyPortfolioOpt 组合优化全谱系、whale-quant 课程体系、Intro-QF（湖大 Quant Group）卖方研报方法论、ML4T（Stefan Jansen）全链路、quant-trading 策略集与批判项目、quant-wiki 百科、Quant Scientist 通讯、以及 ai-hedge-fund / Vibe-Trading / daily_stock_analysis / go-stock 中的量化知识部分。