【教程】量化金融分析师AQF实训-量化投资策略实战视频课程 MP4 【26.9GB】

《量化金融分析师AQF实训 - 量化投资策略实战视频课程》聚焦量化投资实战，以培养学员构建、优化和运用量化投资策略的能力为目标，融合金融理论、编程技能与市场实践，内容覆盖从基础认知到策略落地的全流程。以下是其主要内容的详细介绍：

一、量化投资基础认知（入门铺垫）

1.  

   量化投资概述

   介绍量化投资的概念、发展历程及与传统投资的区别，阐述量化投资在金融市场中的应用场景（如选股、择时、资产配置）和核心优势（纪律性、系统性、高效性）。

    

2.  

   金融市场的量化基础

   讲解金融市场基础概念（如股票、期货、期权等资产的交易规则）、市场数据类型（价格数据、财务数据、另类数据）及数据获取渠道（如Wind、Bloomberg），帮助学员建立对量化投资对象和数据环境的认知。

    

3.  

   量化投资流程框架

   系统梳理量化投资全流程：策略构思→数据清洗与处理→模型构建→回测验证→实盘模拟→风险控制，为后续实战奠定逻辑基础。

    

二、编程与工具技能（实战基石）

1.  

   编程语言基础（Python为核心）

    

•  

  Python基础语法：变量、数据类型、流程控制（循环/条件）、函数与模块，满足量化策略编写的基本需求。

   

•  

  数据处理与分析：Pandas库（数据清洗、合并、分组计算）、NumPy库（数值运算）、可视化工具（Matplotlib/Seaborn绘制价格走势、策略收益图）。

   

•  

  金融数据处理：读取CSV/数据库中的行情数据（如OHLCV：开盘价、最高价、最低价、收盘价、成交量），处理缺失值、异常值，计算技术指标（如移动平均线MA、相对强弱指数RSI）。

   

2.  

   量化平台与工具

   介绍主流量化回测平台（如聚宽、优矿、米筐）和开源框架（如Backtrader、Zipline）的使用方法，包括数据导入、策略脚本编写、回测参数设置及结果可视化分析。

    

三、核心量化策略实战（策略构建与优化）

1.  

   经典量化选股策略

    

•  

  多因子选股：讲解因子选股逻辑（如价值因子PE/PB、成长因子净利润增速、动量因子过去12个月收益率），演示如何通过统计检验（IC值、IR值）筛选有效因子，构建多因子打分模型并回测选股效果。

   

•  

  风格轮动策略：基于市场风格（大盘/小盘、价值/成长）的周期性变化，利用宏观经济指标或市场情绪数据（如利率、波动率）动态调整持仓风格，实现超额收益。

   

2.  

   量化择时策略

    

•  

  技术指标择时：运用均线系统（如双均线交叉、三均线排列）、MACD（指数平滑异同移动平均线）、布林带（BOLL）等指标判断买卖信号，结合止损止盈规则优化策略。

   

•  

  机器学习择时：引入简单的机器学习模型（如逻辑回归、随机森林）对市场涨跌进行分类预测，通过特征工程（如历史收益率、波动率、成交量）训练模型并评估择时效果。

   

3.  

   套利与对冲策略

    

•  

  统计套利：基于配对交易（如相关性高的两只股票价差回归），通过协整检验找到稳定关系的资产对，当价差偏离均值时做多低估资产、做空高估资产，等待价差回归获利。

   

•  

  期货套利：讲解期现套利（期货与现货价格偏差）、跨期套利（同一品种不同合约价差）、跨品种套利（相关品种如螺纹钢与铁矿石），分析套利机会的识别与风险控制。

   

•  

  期权策略：介绍基础期权交易策略（如买入看涨/看跌、卖出跨式组合），通过希腊字母（Delta、Gamma、Theta）管理期权头寸风险，结合市场波动率预期设计策略。

   

四、策略回测与评估（验证策略有效性）

1.  

   回测框架搭建

   讲解回测的基本原理（历史数据模拟交易）、回测参数设置（初始资金、手续费、滑点、交易频率），使用Python或量化平台实现策略的回测流程，生成收益曲线、最大回撤、夏普比率等关键指标。

    

2.  

   绩效评估指标

   深入解析量化策略的评价体系：年化收益率、最大回撤（衡量风险承受极限）、夏普比率（风险调整后收益）、Calmar比率（回撤与收益的平衡）、胜率与盈亏比（交易频率与盈利质量），通过多维度指标综合评估策略的优劣。

    

3.  

   过拟合与稳健性检验

   分析回测中常见的过拟合问题（策略在历史数据表现好但实盘失效），介绍交叉验证（如时间序列交叉验证）、样本外测试（将数据分为训练集和测试集）等方法优化策略，提升策略的稳健性。

    

五、风险管理与实盘交易（实战落地）

1.  

   量化投资风险识别

   明确量化投资中的主要风险类型：市场风险（系统性波动）、模型风险（策略逻辑缺陷）、流动性风险（无法及时买卖资产）、操作风险（代码错误或交易失误），结合案例分析风险产生的原因与影响。

    

2.  

   风险控制方法

   讲解具体的风控手段：仓位管理（如固定比例法、凯利公式动态调整仓位）、止损止盈规则（固定点位止损、移动止损）、分散投资（跨资产/跨周期分散）、压力测试（模拟极端市场情况下的策略表现）。

    

3.  

   实盘交易与监控

   介绍实盘交易的落地流程：从模拟盘过渡到实盘（选择券商接口或量化交易平台）、交易信号执行（API接口对接、订单管理）、实时监控（策略收益跟踪、风险指标预警），并通过案例演示如何根据市场变化调整策略参数。

    

六、前沿技术与策略拓展（能力升级）

1.  

   机器学习与深度学习在量化中的应用

   简要介绍机器学习（如XGBoost、LightGBM）和深度学习模型（如LSTM神经网络）在量化选股、择时中的前沿应用，演示如何通过特征工程和模型训练挖掘非线性市场规律（需一定编程基础）。

    

2.  

   高频交易与算法交易

   解析高频交易（HFT）和算法交易（如TWAP、VWAP策略）的原理与技术要求（低延迟、高并发），介绍高频数据（Tick级）的处理方法和交易系统的搭建逻辑（适合进阶学员）。

    

下载地址：

​