《深度学习与量化投资》课程教学大纲

《深度学习与量化投资》课程教学大纲制定人：李拴保审定人：金志伟制定（修订）时间：2026.03一、课程基本信息开课单位计算机与人工智能学院课程类别专业选修课程课程名称深度学习与量化投资课程编码3070000364开课对象智能科学与技术专业开课学期第6学期学时/学分总学时40，理论课8学时，实践课24学时，2学分先修课程机器学习与优化方法，神经网络与深度学习课程介绍：《深度学习与量化投资》是智能科学与技术专业的一门专业选修课程，课程主要内容包括初识量化交易、Python金融数据表示、NumPy金融数据应用、Pandas金融数据应用、Matplotlib金融数据可视化、历史数据获取、Ta-Lib指标库、时间序列分析应用、配对交易策略框架、机器学习应用实践、深度学习应用实践和实盘量化交易应用实践。通过课程学习，帮助学生了解机器学习与深度学习算法在量化投资领域的应用与实践，深度学习算法在量化投资领域的工程解决方案，以及深度学习派生算法在量化投资领域的创新与实践；拓展学生认识量化投资服务的广度与深度，创新量化投资服务打下必要的基础。二、课程目标与教学要求1.课程目标=1\*GB2⑴项目管理能力：深度理解量化投资服务的行业标准和决策管理方法，能够灵活应用于资产评估、智能征信、智能保险、智能理赔等其它领域，有效提升管理经济效益。2.教学要求完成课程后，学生将具备以下能力：=1\*GB2⑴具备深度学习与量化投资学科的基本知识、技术和能力；=2\*GB2⑵具备初步分析深度学习与量化投资技术相关问题的能力；=3\*GB2⑶培养初步跟踪学科前沿意识和研究深度学习与量化投资相关问题的能力；=4\*GB2⑷理解专业的、社会责任的能力；=5\*GB2⑸拓展学生的知识面，了解利用现有深度学习与量化投资手段解决复杂问题的基本思路和方法，提高思维能力。表1课程目标支撑的毕业要求课程支撑的毕业要求课程教学目标（1）1毕业要求11：项目管理：理解并掌握工程管理原理与经济决策方法，并能在多学科环境中应用。√三、教学内容与课程目标表2《深度学习与量化投资》教学内容与课程目标章次教学内容教学要求（学生学习预期成果）学时教学方式课程目标第一章初识量化交易知识点：量化交易概念、特点、方法和交易形式、风险、平台。重点：量化交易方法、风险、平台。难点：量化交易平台。（1）了解量化交易概念、特点、方法；（2）理解量化交易形式、风险、平台；（3）掌握量化交易平台；（4）融入思政元素。0.5讲授代码辅导（2）（5）第二章Python金融数据表示知识点：股票交易数量与价格、当前价位与目标价位、股票名称与策略名称、股票价格存储与策略回测、股票买卖、历史数据回测、交易策略实例、金融数据包等表示。重点：股票价格存储与策略回测、股票买卖、历史数据回测、金融数据包等表示。难点：金融数据包表示。上机要点：Python编写股票数据描述、策略回测代码。（1）熟悉金融数据描述、量化策略描述、数据采集；（2）掌握金融数据接口与采集、历史数据回测；（3）系统性掌握金融数据采集、存储、交易、回测等的完整过程；（4）融入思政元素。3.5代码辅导（1）（5）第三章NumPy金融数据应用知识点：Ndarray股票价格数据文件操作、收益率计算、浮动窗口计算、均线计算。重点：收益率计算、均线计算。难点：收益率计算。上机要点：Python编写股票收益率、均线代码。（1）熟悉Ndarray股票价格数据操作方法；（2）掌握收益率计算、浮动窗口计算、均线计算编码；（3）融入思政元素。1代码辅导（1）（5）第四章Pandas金融数据应用知识点：Pandas股票价格数据与交易量操作、相对强弱指标、K线数据合成。重点：相对强弱指标、K线数据合成。难点：相对强弱指标。上机要点：Python编写股票交易相对强弱指标、K线数据合成代码。（1）掌握Pandas数据结构的操作方法；（2）掌握股票价格数据与交易量操作方法；（3）掌握相对强弱指标、K线数据合成编码；（4）融入思政元素。3代码辅导（1）（5）第五章Matplotlib金融数据可视化知识点：Matplotlib股票价格数据可视化、图像属性设置、绘制子图、K线数据与成交量可视化。重点：Matplotlib股票价格数据可视化。难点：K线数据与成交量可视化。上机要点：Python编写股票K线数据与成交量代码。（1）掌握Matplotlib股票价格数据可视化的操作方法；（2）掌握Matplotlib股票价格数据图像属性设置、绘制子图；（3）掌握股票价格数据K线数据与成交量可视化编码；（4）融入思政元素。2代码辅导（1）（5）第六章历史数据获取知识点：获取OHLC与均价数据、期货数据及扩展数据。重点：OHLC与均价数据。难点：扩展数据。上机要点：编写股票数据获取代码。（1）掌握获取OHLC与均价数据、期货数据的编码；（2）掌握扩展数据的编码。1讨论代码案例（1）（2）（3）第七章Ta-Lib指标库知识点：Ta-Lib库、技术指标计算、风险指标计算、K线组合模式、经典策略实施。重点：技术指标计算与编程、风险指标计算与编程、K线组合模式编程。难点：策略收益率编程、年化收益率编程。上机要点：编写股票数据策略收益率代码、K线组合模式代码、年化收益率代码。（1）掌握Ta-Lib库技术指标计算方法及意义。（2）掌握Ta-Lib库风险指标计算方法及意义。（3）掌握K线组合模式方法及意义。（4）掌握策略收益率与年化收益率编程及意义。5讨论代码案例（1）（4）第八章时间序列分析应用知识点：价格序列、成交量序列、技术指标序列，相关性分析、平稳性分析、协整性分析，时间序列模型及应用。重点：自相关与偏自相关系数计算与编程、白噪声检验与编程、协整性校验与编程，时间序列模型编程与股票预测编程。难点：ARIMA模型预测股票趋势编程。上机要点：编写股票价格数据序列分析、ARIMA模型预测股票趋势代码。（1）掌握时间序列概念与编程。（2）掌握相关性、平稳性、协整性分析与编程。（3）掌握ARMA模型预测股票趋势编程。（4）掌握ARIMA模型预测股票趋势编程。3讨论代码案例（1）（4）第九章配对交易策略框架知识点：配对交易原理与回测框架，数据相关性、平稳性和协整性编程，主体策略编程。重点：数据相关性、平稳性和协整性编程。难点：原序列一阶差分编程。上机要点：编写股票价格数据序列分析编程。（1）掌握配对交易框架概念与编程。（2）掌握数据相关性、平稳性和协整性编程方法。（3）掌握原序列一阶差分编程方法。（4）掌握主体策略实施与编程方法。3讨论代码案例（1）（4）第十章机器学习应用实践知识点：线性模型算法、贝叶斯算法决策树算法、支持向量机算法、随机森林算法股票趋势预测。重点：ARIMA模型与支持向量机算法、随机森林算法股票趋势分类与回归预测编程。难点：ARIMA模型原序列差分应用编程。上机要点：编写股票价格数据序列ARIMA模型与随机森林算法组合预测编程。（1）掌握机器学习算法股票趋势预测方法。（2）掌握ARIMA模型与机器学习算法组合应用方法。（3）掌握ARIMA模型原序列差分应用编程方法。（4）掌握机器学习与量化投资综合实验设计与编程。6讨论代码案例（1）（4）第十一章深度学习应用实践知识点：线性神经网络算法、多层感知器算法、卷积神经网络算法、循环神经网络算法及算法组合股票趋势预测。重点：ARIMA模型与卷积神经网络算法、循环神经网络算法股票趋势分类与回归预测编程。难点：卷积神经网络算法和循环神经网络算法组合预测编程。上机要点：编写股票价格数据序列ARIMA模型与卷积神经网络算法、循环神经网络算法组合预测编程。（1）掌握深度学习算法股票趋势预测方法。（2）掌握ARIMA模型与深度学习算法组合应用方法。（3）掌握ARIMA模型原序列差分应用编程方法。（4）掌握深度学习与量化投资综合实验设计与编程。6讨论代码案例（1）（4）第十二章和实盘量化交易实践知识点：量化策略开发、量化策略回测、量化策略优化。重点：量化策略开发。难点：量化策略优化。上机要点：Alpha策略编程。（1）掌握策略开发方法。（2）掌握策略回测方法。（3）掌握策略优化方法。2讨论代码案例（1）（4）合计36四、教材及教学主要参考书推荐教材：《Python量化金融编程从入门到精通》，丁奉乾，北京大学出版社，2020年12月。《Python