VIP20

本课程属于：091-量化研究员 金融科技风控与量化工程 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

机器学习在量化中的应用

📚 共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

量化投资概述

定义量化投资，追溯其历史演进，剖析优势与挑战，并明确机器学习在量化中的核心角色。

金融市场基础

介绍股票、期货、期权等工具，解析市场微观结构、订单簿与交易机制，以及数据频率与类型。

Python金融分析环境搭建

从Anaconda安装到Jupyter配置，再到Pandas、NumPy、Matplotlib、Scikit-learn、TensorFlow/PyTorch的安装与验证。

金融数据获取与清洗

使用Tushare/Baostock获取A股数据，Yahoo Finance获取美股数据，并完成缺失值、异常值处理及数据对齐重采样。

探索性数据分析（EDA）

进行描述性统计，检验收益率分布与正态性，分析自相关与偏自相关，并绘制K线图、收益率曲线与相关性热力图。

分析可视化

技术指标计算与特征工程

计算SMA/EMA、RSI、MACD、布林带及成交量指标，并利用Pandas进行高效的向量化计算。

因子投资基础

理解因子概念，学习Fama-French三因子模型，探索动量、反转、波动率因子，并进行IC/IR分析。

Alpha因子挖掘

定义Alpha因子，掌握因子组合方法与评价体系（IC、Rank IC、夏普比率），并警惕过拟合风险。

机器学习基础回顾

回顾监督/无监督学习、过拟合与欠拟合、交叉验证、正则化，以及准确率、精确率、召回率、F1、AUC等评估指标。

线性模型在量化中的应用

运用线性回归预测收益率，逻辑回归判断涨跌方向，岭回归与Lasso处理多重共线性，并构建选股策略。

线性模型实战

决策树与随机森林

理解决策树与随机森林原理，分析特征重要性，并实战预测股票涨跌。

树模型集成

梯度提升树（XGBoost/LightGBM）

深入GBDT原理，掌握XGBoost核心参数与LightGBM优化，实战构建量化选股模型。

BoostingXGBoost

支持向量机（SVM）

学习SVM间隔最大化与核函数原理，应用于金融时间序列，实战市场状态分类。

神经网络入门

从感知机到MLP，掌握ReLU、Sigmoid、Tanh激活函数，以及损失函数与优化器，实战预测收益率。

神经网络MLP

循环神经网络（RNN/LSTM）

理解RNN梯度消失问题与LSTM门控机制，实战使用LSTM进行股价时间序列预测。

注意力机制与Transformer

剖析自注意力机制原理与Transformer架构，实战应用于金融序列预测。

注意力Transformer

强化学习在量化交易中的应用

介绍强化学习基础（状态、动作、奖励），学习Q-Learning与DQN，实战自动交易。

强化学习DQN

回测系统搭建

强调回测重要性，设计事件驱动框架，模拟滑点与交易成本，评估夏普比率、最大回撤等绩效指标。

风险管理与投资组合优化

学习马科维茨均值-方差模型、风险平价模型与CVaR，实战使用Python进行投资组合优化。

特征选择与降维

掌握过滤法、包裹法、嵌入法，以及PCA、t-SNE、UMAP，实战使用PCA进行因子降维。

超参数调优

比较网格搜索、随机搜索与贝叶斯优化（Hyperopt），实战使用Optuna优化XGBoost模型。

模型集成与堆叠

探索Bagging、Boosting、Stacking、Blending方法，实战构建多模型集成策略。

时间序列交叉验证

分析普通K折问题，学习Expanding Window、Rolling Window及Purged Walk-Forward交叉验证方法。

时间序列验证

避免过拟合的策略

识别数据泄露来源、特征选择陷阱与未来函数，实战构建防过拟合的稳健策略。

过拟合稳健

高频交易与微观结构

了解高频数据特点、订单不平衡与VPIN，实战使用Tick级数据构建高频信号。

另类数据与NLP

概述新闻、社交媒体等另类数据，学习NLP分词与词向量，实战使用BERT分析财经新闻情绪。

NLP另类数据

深度学习在图像识别中的应用

使用CNN识别K线形态（头肩顶、双底），进行图表数据预处理，实战构建形态识别模型。

模型部署与实盘交易

掌握模型序列化（Pickle/ONNX），搭建Flask/FastAPI服务，对接CTP/IB接口，实现实盘监控与日志。

策略评估与归因分析

进行Brinson归因、Barra风险模型分析，评估策略容量，实战详细绩效归因。

前沿趋势与职业发展

探索联邦学习、可解释AI（SHAP/LIME）、量子机器学习，规划量化研究员学习路径与职业发展。