以下是一份 Python 金融量化 + 股票交易教程的简介，该教程可帮助学习者从基础概念入手，逐步掌握使用 Python 进行金融量化分析和股票交易模拟的技能。
课程目标
本教程旨在让学习者了解金融量化分析的基本概念和方法，掌握使用 Python 进行数据获取、数据处理、策略开发、回测以及模拟交易的全过程，为进一步开展实际的股票交易和量化投资奠定基础。
适用人群
对金融投资和量化分析感兴趣的 Python 初学者。
有一定 Python 编程基础，希望将其应用于金融领域的开发者。
金融从业者，希望借助 Python 工具提升量化分析和投资决策能力。
课程内容框架
基础入门
金融量化概念：介绍金融量化分析的定义、发展历程、应用场景以及与传统投资方法的区别，让学习者对量化投资有初步的认识。
Python 基础复习：简要回顾 Python 的基本语法、数据类型（如列表、字典、数组）、控制流语句（如 if - else、for 循环）、函数定义与使用等内容，确保学习者具备后续学习所需的编程基础。
金融数据获取与处理
数据获取
介绍常见的金融数据来源，如雅虎财经、Tushare、BaoStock 等数据接口。
讲解如何使用 Python 调用这些接口获取股票的历史行情数据（如开盘价、收盘价、最高价、最低价、成交量等）、基本面数据（如市盈率、市净率等）。
数据处理与清洗
使用 Pandas 库对获取到的金融数据进行读取、筛选、排序、合并等操作。
处理缺失值、异常值，对数据进行标准化和归一化处理，为后续的分析和建模做好准备。
数据可视化
运用 Matplotlib、Seaborn 等库将处理后的数据进行可视化展示，如绘制 K 线图、折线图、柱状图等，直观地呈现股票价格走势和交易情况。
量化策略开发
技术分析指标
介绍常见的技术分析指标，如移动平均线（MA）、相对强弱指数（RSI）、布林带（BOLL）等的计算方法和应用原理。
使用 Python 实现这些指标的计算，并结合可视化工具展示指标与股票价格之间的关系。
简单量化策略实现
讲解基于技术分析指标的简单量化策略，如双均线策略、RSI 超买超卖策略等的设计思路和逻辑。
使用 Python 编写代码实现这些策略，并通过历史数据进行初步的验证和分析。
机器学习在量化策略中的应用
简要介绍机器学习算法（如线性回归、逻辑回归、决策树等）在量化投资中的应用场景。
以股票价格预测为例，讲解如何使用 Python 的 Scikit - learn 库构建机器学习模型，并对模型进行训练、评估和优化。
策略回测
回测概念与原理：介绍策略回测的定义、目的和基本原理，解释回测过程中涉及的关键参数（如初始资金、交易成本、滑点等）的含义和作用。
回测框架使用：使用 Python 的 Backtrader、Zipline 等回测框架对开发的量化策略进行回测。
详细讲解如何在回测框架中定义策略、设置回测参数、加载数据、运行回测，并获取回测结果（如收益率、夏普比率、最大回撤等）。
对回测结果进行分析和评估，判断策略的有效性和稳定性，根据结果对策略进行优化和调整。
模拟交易与实盘交易准备
模拟交易平台介绍：介绍常见的模拟交易平台（如聚宽、米筐等）的使用方法，讲解如何在模拟交易平台上部署和运行自己开发的量化策略，进行模拟交易实践。
实盘交易准备
了解实盘交易的流程和规则，包括开户、资金管理、交易指令下达等方面的知识。
探讨实盘交易中可能遇到的问题和风险，如市场流动性风险、技术故障风险等，并介绍相应的应对措施。

课程目录：

1.1.课程内容与大纲介绍
2.2.1-fbprophet股价预测任务概述
3.3.2-时间序列分析
4.4.3-fbprophet时间序列预测实例
5.5.4-亚马逊股价趋势
6.6.5-突变点调参
7.7.1-连续指标变化情况分析
8.8.2-时间序列重采样操作(
9.9.3-短均与长均计算实例
10.10.4-指标相关情况分析
11.11.5-回归方程与相关系数实例(
12.12.1-金叉与死叉介绍(
13.13.2-买点与卖点可视化分析
14.14.3-策略收益效果分析(
15.15.4-均线调参实例(
16.16.1-回测收益率指标解读
17.17.2-年化指标分析
18.18.3-最大回撤区间
19.19.4-夏普比率的作用
20.20.5-阿尔法与贝塔概述
21.21.1-量化交易概述
22.22.2-量化交易所需技能分析
23.23.3-Ricequant交易平台简介
24.24.1-策略任务分析
25.25.2-股票池筛选(
26.26.3-策略效果演示与指标分析
27.27.4-定时器功能与作用(
28.28.1-百分位去极值方法(
29.29.2-基于百分位去极值实例
30.30.3-Mad法去极值演示
31.31.4-3Sigma方法实例(
32.32.5-标准化处理方法
33.33.6-中性化处理方法通俗解释
34.34.7-策略任务概述(
35.35.1-股票数据获取
36.36.2-过滤筛选因子指标数据
37.37.3-因子数据预处理
38.38.4-股票池筛选
39.39.5-策略效果评估分析
40.40.1-因子分析概述
41.41.2-Alphalens工具包介绍(
42.42.3-获取因子指标数据
43.43.4-获取给定区间全部数据
44.44.5-数据格式转换
45.45.6-IC指标值计算
46.46.7-工具包绘图展示(
47.47.8-因子收益率简介
48.48.1-打分法选股策略概述(
49.49.2-整体任务流程梳理
50.50.3-策略初始化与数据读取(
51.51.4-因子打分与排序
52.52.5-完成选股方法(Av275101736,P52)
53.53.6-完成策略交易展示结果(Av275101736,P53)
54.54.7-策略总结与分析(Av275101736,P54)
55.55.1-聚类分析实例(Av275101736,P55)
56.56.2-统计分析所需数据准备(Av275101736,P56)
57.57.3-统计效果展示(Av275101736,P57)
58.58.1-KMEANS算法概述(Av275101736,P58)
59.59.2-KMEANS工作流程(Av275101736,P59)
60.60.3-KMEANS迭代可视化展示(Av275101736,P60)
61.61.4-DBSCAN聚类算法(Av275101736,P61)
62.62.5-DBSCAN工作流程(Av275101736,P62)
63.63.6-DBSCAN可视化展示(Av275101736,P63)