量化投资入门全景进阶课件

QUANTCOURSE量化投资入门全景进阶课件认知·数据·策略·风控·实战日期2026年课程导览01认识量化投资破除认知门槛，建立基本框架02数据与工具基础掌握数据获取处理与回测工具03策略构建进阶从因子到模型搭建策略体系04风险管理体系识别量化风险建立控制机制05实战与展望走向实盘规划成长路径量化投资体系认识量化投资用规则替代情绪从主观到客观，理解量化投资的核心逻辑01什么是量化投资用模型和规则，替代直觉和情绪量化投资是借助数学模型与计算机程序，将投资决策规则化、系统化的一种投资方式决策依据数据与模型，而非个人经验和盘感数据驱动去主观化执行方式程序自动计算与下单，减少人工干预系统化执行低干预核心特征可回测、可复制、可验证可验证非黑箱目标追求在可控风险下获取稳定、可持续的超额收益风险可控超额收益对初学者而言，量化不是神秘的黑箱，而是一套

可以学习和掌握的科学方法量化与主观投资之别维度主观投资量化投资决策依据经验与判断数据与模型执行方式人工下单程序执行情绪影响较大较小可复制性较低较高覆盖范围有限标的全市场扫描两者并非对立，量化的本质是把人

模糊的直觉

翻译成清晰的规则。量化投资如何获利量化策略的核心任务，是寻找可持续的超额收益，而不是靠运气赌方向。量化的收益，可以拆成两个基本来源市场回报承担市场整体风险所获得的回报，与市场涨跌高度相关这部分收益相对稳定，是所有投资者的共同基础超额回报通过模型挖掘、超越市场平均水平的收益来源包括信息优势、行为偏差与结构化定价量化投资的常见误区理性看待量化，是走得更远的

第一步

。误区量化等于稳赚不赔↓纠正真相亏损和回撤同样存在误区模型越复杂越好↓纠正真相简洁稳健往往更可靠误区有了策略就能躺赚↓纠正真相需要持续跟踪与维护误区历史回测好就能实盘赚钱↓纠正真相两者差距常常很大量化投资的发展脉络起源阶段规则化决策萌芽数学与统计方法引入金融市场规则化决策开始萌芽，为量化投资奠定方法论基础。发展阶段程序化交易兴起计算机普及推动效率大幅提升程序化交易逐步普及，量化执行能力显著增强。成熟阶段模型能力持续增强大数据与机器学习深度融合模型能力持续增强，策略迭代进入新阶段。当前趋势参与门槛不断降低从机构走向个人量化投资正从机构走向个人，参与门槛不断降低。量化投资体系数据与工具基础数据是量化的燃料掌握数据获取、清洗与回测的基本工具链02量化需要哪些数据数据是量化的燃料，来源越丰富，可挖掘的空间越大。不同策略对数据的依赖各不相同，初学者应

从行情与基本面

入手，循序渐进。行情数据价格交易的基础锚点成交量市场活跃度的标尺涨跌幅价格走势的方向交易信息，是最基础的一类基本面数据财务报表经营的量化呈现估值指标价值的相对判断盈利预测未来的增长预期企业信息另类数据舆情市场情绪的温度计供应链产业运转的脉动卫星图像现实世界的光学镜像非传统信息源数据清洗是关键一步垃圾进，垃圾出数据清洗看似琐碎，却直接决定策略的

可信度。缺失值处理填补、剔除或标记，避免模型被空值干扰异常值识别过滤明显错误的价格与成交量记录复权与对齐统一不同标的与不同频率的数据口径幸存者偏差纳入已退市标的，还原真实历史量化常用工具链编程语言语言基础以Python为主，兼顾数据处理与建模能力。数据平台数据来源获取行情与基本面数据的接口或数据库。回测框架策略验证模拟策略执行、计算绩效指标的工具。可视化工具直观呈现将策略表现直观呈现，便于分析与汇报。回测框架如何运转1获取历史数据锁定标的、时间区间与数据频率2定义策略规则明确买入、卖出与调仓条件3模拟交易执行按规则逐日推进计入成本4计算绩效指标得出收益、回撤与风险数据5分析与迭代找出问题并优化策略逻辑回测是实盘的预演，而非最终答案。数据质量决定策略上限与其执着于复杂的算法，不如先把数据的根基打牢。再精巧的模型，也无法弥补数据本身的缺陷。数据质量维度准确数据越准确，策略结论越可靠完整数据越完整，模型训练越充分及时数据越及时，信号捕捉越有效量化投资体系策略构建进阶从因子到模型搭建可回测、可迭代的量化策略体系03量化策略的主要类型量化策略种类繁多，初学者可先认识几个主流方向。没有永远有效的策略趋势跟踪顺势而为，捕捉价格延续的行情均值回归认为价格偏离后会回归中枢统计套利利用相关标的之间的价差波动获利多因子选股综合多维度特征筛选标的高频交易依靠速度与微小价差反复获利因子投资入门因子，是能够解释标的收益差异的特征变量。价值因子低估修复低估的标的长期倾向于跑赢。动量因子强者恒强近期表现强的标的倾向于延续强势。质量因子财务稳健盈利稳定、财务健康的标的更受青睐。规模因子小市值效应小市值标的在某些阶段表现突出。从单因子到多因子模型单一因子往往波动大、不稳定，多因子组合是自然演进方向。搭建多因子模型，考验的是对

因子逻辑

的深刻理解，而非简单堆砌。单因子的局限在不同市场环境下表现起伏明显。多因子组合将多个低相关因子叠加，平滑整体表现。因子加权方式等权、打分或优化，各有适用场景。因子失效问题曾经有效的因子可能因竞争而衰减。策略回测与评估指标读懂回测报告，需要认识几个关键指标。指标含义年化收益率策略折算到一年的收益水平最大回撤从高点到低点的最大亏损幅度夏普比率单位风险所换取的超额收益胜率盈利交易占总交易的比例换手率调仓频繁程度，影响交易成本指标之间需要综合权衡，单看一个数字极易被误导。策略迭代与优化策略不是一劳永逸，而是持续打磨的过程。优化的目标不是让回测曲线更好看，而是让策略更稳健。避免过度拟合参数贴着历史数据，实盘往往失效。样本内外验证用未参与优化的数据检验稳健性。参数稳定性小幅变动不应导致结果剧烈波动。持续跟踪定期复盘策略是否仍然有效。量化投资体系风险管理体系活下来才能赢识别量化风险，建立控制与评估机制04量化投资的四类风险活下来，才能赢“量化并非稳赚，识别风险是长期生存的前提。”认清风险来源，是构建风控体系的第一步。市场风险整体行情下跌带来的系统性亏损模型风险模型假设失效或逻辑偏差导致的损失执行风险下单延迟、滑点与系统故障带来的偏差流动性风险标的无法及时买卖造成的冲击成本回撤与波动率控制“控制住回撤的底线，才可能在长期中留在牌桌上。“控制回撤与波动，是量化风控最直接的目标。”最大回撤衡量从高点到低点的最大亏损，直接关系持仓体验。波动率反映收益的起伏程度，波动越大不确定性越高。止损机制设定阈值及时离场，避免单次亏损无限扩大。仓位管理与资金分配仓位管理的本质，是控制自己承担的风险，而非追逐最高收益。再好的策略，也需要合理的仓位来承载。仓位约束单标的仓位上限：避免押注过度集中分散化：在不同策略与标的时间分散风险动态平衡凯利公式思想：在胜率与赔率之间寻找平衡仓位动态调整：随市场环境与策略表现灵活增减核心风险度量指标指标含义最大回撤策略自高点回落的最大幅度波动率收益率的起伏程度夏普比率单位风险对应的超额收益贝塔策略对市场整体波动的敏感度指标是风险的语言，读懂它们才能做出理性判断。风险控制的常见机制一套完整的风控，贯穿策略运行的始终。风控不是限制收益，而是让收益

走得更稳、更远。事前前置防御分散配置、设定仓位与损失限额事中实时监控实时监控回撤与异常波动，触发条件自动应对事后复盘归因绩效归因与复盘，定位风险来源量化投资体系实战与展望从模拟走向实盘规划个人量化投资的持续成长路径05从模拟盘走向实盘从想法到实盘，需要一条稳健的过渡路径。1模拟盘验证在无资金风险的环境下检验策略表现2小资金实盘用少量资金验证真实交易环境下的效果3逐步加仓依据表现稳定后再提高资金规模4心态调整克服盯盘焦虑与频繁干预的冲动实盘的第一目标不是暴利，而是

验证体系的可行性

。实盘中的常见陷阱回测与实盘的差距，往往藏在这些细节里。滑点与手续费成本陷阱真实成交价与预期的偏离会侵蚀收益流动性冲击价格扰动小盘或冷门标的买卖可能显著影响价格数据延迟时机错失信号获取与执行之间的时间差导致错失过度交易成本累积频繁调仓累积成本，反而拉低整体表现个人量化成长路线量化的学习是一条可以拆解、逐级攀登的路径。每个阶段都不必求快，稳扎稳打

才能走得更远。阶段01入门掌握金融基础同时掌握一门编程语言阶段02进阶动手编写策略回测一个完整策略阶段03成熟形成研究体系建立风控体系阶段04持续跟踪市场变化不断迭代更新持续积累工具与资源量化的竞争力，来自日积月累的研究资产。将研究过程中的每一次产出与沉淀，系统化地留存为可复用的长期资产。这些积累会像复利一样，随着时间不断增强你的研究能力。个人数据库沉淀干净、可复用的历史数据策略库把验证过的想法系统化保存交易日志复盘每一次决策与得失学