课程导论：课程目标、适合人群、学习路径与量化选股总体框架

在A股、港股及美股市场中，投资者长期面临一个核心矛盾：单一周期的技术信号往往具有滞后性与欺骗性。日线级别的金叉可能只是下跌中继，周线级别的突破又可能被日内波动反复洗刷。本课程《AI选股实战：多周期信号融合的量化组合构建》正是为解决这一矛盾而设计——我们不是要教你另一个“神奇指标”，而是帮助你建立一套从数据清洗、特征工程、多周期信号合成到组合优化的完整量化投研流水线。本章作为全课程的导论，将明确课程目标、界定适合人群、规划学习路径，并给出贯穿后续29章的多周期信号融合总体框架。

1.1 课程目标：从“看盘”到“构建系统”

本课程的目标不是培养“预测大师”，而是培养能够独立搭建量化选股系统的实战工程师。具体而言，完成本课程后，你将具备以下四项核心能力：第一，能够从零开始获取并清洗多周期行情数据（包括分钟线、日线、周线、月线），理解不同周期数据在信号生成中的角色差异；第二，掌握至少15个经典技术因子（如动量、波动率、量价相关性、均线偏离度等）的Python实现与有效性检验方法，并理解这些因子在不同周期上的表现差异；第三，学会设计多周期信号融合算法——包括加权投票、逻辑回归、梯度提升树等模型，用于将短、中、长周期信号合成为一个综合评分；第四，能够构建一个完整的量化组合，包含仓位分配、风险约束、换手率控制与定期再平衡机制，并完成基于历史数据的回测验证。

课程强调“可落地性”。每一章都会提供完整的Python代码片段、数据样例和回测结果分析。我们不回避实盘中的摩擦成本、滑点和涨跌停限制，而是将其纳入模型设计的约束条件中。最终，你将拥有一个属于自己的、参数透明、逻辑可解释的AI选股系统。

1.2 适合人群：三类学习者画像

根据过往教学经验，本课程最适合以下三类人群。第一类是个人投资者，他们已经具备一定的技术分析基础，熟悉K线、均线、MACD等经典指标，但苦于无法系统化地管理自己的交易信号，经常陷入“指标越多越矛盾”的困境。第二类是金融从业者，包括券商投顾、基金研究员、私募量化分析师，他们需要从手工选股升级到程序化选股，提升研究效率和策略容量。第三类是转行学习者，来自计算机、数学、物理等理工科背景，希望进入量化金融领域，但缺乏金融知识的系统梳理和实战项目经验。

需要特别说明的是，本课程并非零基础入门课。学习者需要具备基本的Python编程能力（熟悉Pandas、NumPy），了解基础的统计学概念（均值、方差、回归、相关性），并对股票市场有基本的认知（知道什么是市盈率、什么是成交量）。如果你尚未满足这些条件，建议先补充相关基础知识再开始本课程。

1.3 学习路径：30章递进式设计

整个课程分为五个阶段，每个阶段约6章，形成“基础→进阶→实战→优化→部署”的完整闭环。第一阶段（第1-6章）聚焦数据基础设施，包括数据获取、清洗、对齐、存储，以及多周期数据特有的时间戳处理问题。第二阶段（第7-12章）深入因子工程，从单因子分析到因子组合，重点讲解如何避免过拟合和多重共线性。第三阶段（第13-18章）是课程核心，讲解多周期信号融合的各种算法，从简单的加权平均到复杂的机器学习模型，并对比不同方法的优劣。第四阶段（第19-24章）转向组合构建与风险管理，包括均值-方差优化、风险平价、Black-Litterman模型等。第五阶段（第25-30章）聚焦实战部署，包括回测框架搭建、模拟交易、实盘API对接以及策略监控与迭代。

建议学习者按照章节顺序学习，每章完成后完成课后练习。特别是第15-18章的多周期融合算法部分，建议至少手动推导一遍加权投票和逻辑回归的代码实现，不要直接使用现成库函数。课程提供配套的GitHub代码仓库，但强烈建议你亲手敲一遍代码，因为量化交易中的“坑”往往隐藏在细节中——比如未来函数、幸存者偏差、前视偏差等。

1.4 量化选股与多周期信号融合的总体框架

多周期信号融合的核心思想可以用一句话概括：“长周期定方向，中周期选时机，短周期找买点”。这一思想源于道氏理论对趋势级别的划分，但在量化框架下被赋予了更精确的数学表达。具体而言，我们首先在月线或周线级别上判断个股的中长期趋势方向（上升、下降或震荡），这一层信号决定了我们是否应该持有该股票；然后在日线级别上寻找趋势中的回调结束信号或突破确认信号，这一层信号决定了我们何时加仓或减仓；最后在分钟级别上捕捉短期的超买超卖或量价异动，这一层信号用于优化入场价格和设置止损。

然而，简单的“信号叠加”并不等于“信号融合”。如果三个周期同时发出买入信号，我们自然可以重仓买入；但如果长周期看多、中周期看空、短周期看多，该如何决策？这正是本课程要解决的核心问题。我们将介绍三种主流的融合策略：规则加权法（根据历史胜率给不同周期信号分配权重）、逻辑回归法（将各周期信号作为特征，预测未来N日上涨概率）、集成学习法（使用梯度提升树或随机森林自动学习信号间的非线性关系）。每种方法都有其适用场景和局限性，课程将结合具体案例进行对比分析。

1.5 案例拆解：一个简单的双周期信号冲突场景

为了帮助大家直观理解多周期融合的必要性，我们来看一个简化案例。假设某股票（代码：600XXX）在2024年3月1日出现以下信号：日线级别，MACD在零轴上方形成金叉，且成交量较前5日均值放大1.8倍，这是一个典型的短线买入信号；周线级别，该股价格正处于下降通道中，周线RSI为42，且周线MACD仍处于零轴下方，中期趋势偏空。此时，如果仅看日线信号，投资者可能会立即买入；如果仅看周线信号，则应该回避或卖出。两个信号产生了直接冲突。

我们使用一个简单的加权评分模型来处理：设定周线信号权重为0.6，日线信号权重为0.4（因为周线趋势的稳定性更高）。周线信号评分（-1到+1）为-0.3（偏空但未极端），日线信号评分为+0.8（较强买入）。综合评分 = 0.6×(-0.3) + 0.4×0.8 = -0.18 + 0.32 = +0.14。综合评分为正，但数值较低，因此模型给出的建议是“轻仓试探性买入”而非“重仓买入”。同时，模型设置了一个条件：如果后续3个交易日股价跌破日线金叉时的最低点，则立即止损离场。

这个案例展示了多周期融合的核心理念：不追求完美预测，而是通过信号间的相互制约来控制风险。如果该股后续确实上涨，我们获得了部分收益；如果下跌，由于仓位较轻且止损明确，损失可控。在课程后续章节中，我们会用真实的历史数据回测这种策略，并对比“只看日线”和“只看周线”的基准策略，展示多周期融合在风险调整后收益（夏普比率）上的优势。

1.6 常见误区与学习建议

在开始正式学习之前，有必要指出初学者最容易犯的四个错误。第一个误区是“周期越多越好”。有些学员试图同时融合5个甚至8个周期的信号，结果导致模型极度复杂、过拟合严重，且计算效率低下。实际上，3个层次（短、中、长）通常已经足够，关键在于每个周期内选择的因子是否有效。第二个误区是“信号融合等于平均”。简单的算术平均忽略了不同周期信号的质量差异和信息重叠，必须引入权重学习或模型融合机制。第三个误区是“忽视交易成本”。多周期融合策略往往会产生较高的换手率，如果每次调仓的摩擦成本为0.3%，一年调仓50次，总成本高达15%，这将吞噬大部分超额收益。因此，课程中会专门讲解换手率约束和交易成本模型。第四个误区是“回测完美等于实盘盈利”。回测中常见的未来函数、前视偏差、幸存者偏差等问题，课程第25章会专门讲解如何规避。