一、Python 基础

1、Python 基础

1.1 Python 初了解 final

1.2 Python 安装教程

1.3 第一个 python 程序的编写

1.4 Pycharm 安装-基本按照

1.5 Pycharm 安装-使用常见问题解答

2、Python 基础知识

2.1 变量、行、缩进与注释

2.2 数据类型

2.3 列表和字典-列表

2.4 列表和字典-字典

2.5 运算符详解

3、Python 最重要的三大语句详解

3.1 If 语句详解与实践

3.2 For 语句详解与实践

3.3 While 语句详解与实践

4、Python 函数与模块

4.1 函数的定义与调用 final 版

4.2 函数参数、返回值与作用域 final 版

4.3 常用函数介绍

4.4 Python 模块介绍

5、经典量化策略初窥

5.1 双均线策略

5.2 多空Alpha策略

5.3 动量及反转策略

5.4 宏观择时及行业轮动

5.5 商品CTA策略

二、Python数据分析常用技巧

1、Numpy库的使用

1.1 Numpy与数组

1.2 Numpy数组与列表的区别

1.3 创建数组的几种方式

2、Pandas库的使用

2.1 二维数据表格DataFrame的创建

2.2 Excel等文件的读取和写入

2.3 Excel等文件的读取和写入

2.4 数据表拼接

3、数据可视化 - Matplotlib库的使用

3.1 基本图形绘制

3.2 数据可视化常见小技巧

3.3 初步尝试 - 股票数据读取与可视化

3.4 综合实战 - 股票K线图绘制

三、金融数据获取与衍生变量分析

1、Tushare库的基础与进阶使用

1.1 Tushare基础库使用

1.2 Tushare Pro的使用

1.3 股票行情数据、财务数据、舆情数据获取

2、Ta-Lib库的使用与股票衍生变量分析

2.1 股票衍生变量库-Ta-Lib库安装

2.2 趋势类指标：MA值、BOLL值、MOM值、PUBU（瀑布线）衍生变量计算演示

2.3 摆动类指标：ATR（真实波幅）、KDJ（随机指标）、EMA值、MACD值、WR值（威廉指标）衍生变量计算演示

2.4 量仓分析指标：CJL（成交量）、DUALVOL（多空量比）、OBV（量能潮）

四、经典策略的Python实现

1、K线形态信号捕捉

1.1 大阳线形态捕捉

1.2 穿头破脚形态捕捉

1.3 吊颈形态捕捉

1.4 低开大阳线形态捕捉

1.5 跳空缺口形态捕捉

1.6 M形态（这个书上没有，但也是个经典形态信号）

2、双均线&SMA均线策略

2.1 双均线策略基本思路

2.2 双均线策略的Python实现与参数调优

2.3 SMA均线策略

2.4 SMA均线策略的Python实现与参数调优

3、动量趋势策略

3.1 创历史新高/新低的动量分析

3.2 基于MOM指标的动量策略

3.3 基于ADX指数的趋势强弱分析

3.4 基于ADX指数与EMA指标的交易系统

3.5 盘整信号与盘整突破信号的捕捉

4、均值反转策略

4.1 均值反转策略的基本思路

4.2 均值反转策略的Python实现与参数调优

5、布林带策略

5.1 布林带基本策略

5.2 布林带策略的Python实现与参数调优

6、RSI策略

6.1 RSI取值的大小探讨

6.2 RSI策略及其Python实现

6.3 RSI策略参数调优

7、海龟交易策略

7.1 海龟交易策略框架介绍

7.2 策略初始化

7.3 数据预处理

7.4 策略分析与优化

7.5 数据调优与图表输出

五、跨指标与跨周期模型

1、跨指标模型

1.1 趋势判断与精细分析结合 - 震荡模型

1.2 趋势模型 + 摆动模型探寻入场点

1.3 多个同类指标同向判断 - 唐奇安通道与布林带分析

1.4 动态突破系统

2、跨周期模型

2.1 不同周期线的多/空头排列

2.2 分钟级别数据研究

2.3 大盘指数与个股配合策略

七、量化交易与回测平台解读

1、常见量化交易平台介绍

1.1 聚宽的基本介绍

1.2 优矿的基本介绍

1.3 米筐的基本介绍

1.4 策略回测的基本步骤

2、投资表现的评价指标

2.1 回测收益率指标

2.2 年化指标分析

2.3 夏普比率介绍

2.4 最大回测

2.5 阿尔法与beta指标

2.6 评价指标的Python实现

3、案例实战：小市值策略的平台回测

3.1 小市值策略的基本思路

3.2 小市值策略的平台回测

3.3 小市值策略的回测报告生成

九、机器学习与量化投资

1、人工智能的奥秘 - 机器学习

1.1 机器学习的基本原理

1.2 机器学习的基础1 - 线性回归模型与案例实战

1.3 机器学习的基础2 - 决策树模型与案例实战

1.4 机器学习模型常见评估手段 - R^2/ROC曲线/KS值等

2、基于随机森林模型的选股策略

2.1 随机森林模型的基本原理

2.2 基于随机森林的多因子模型搭建

2.3 模型使用与评估

2.4 参数调优

2.5 收益回测曲线绘制

3、基于XGBoost/LightGBM模型的选股策略

3.1 XGBoost模型的数学原理

3.2 基于XGBoost模型的多因子模型搭建

3.3 LightGBM模型的数学原理

3.4 基于LightGBM模型的多因子模型搭建

4、非监督式学习在量化投资中的应用

4.1 非监督式学习的经典应用 - 聚类与分群

4.2 多股票的聚类分析

4.3 股票指数的基本概念与延伸探讨

4.4 搭建自定义指数模型

十、财务分析与基本面选股

1、基本面选股的基本概念

1.1 何谓基本面选股

1.2 常见财务分析的手段

1.3 资产负债表的Python分析

1.4 利润表单Python分析

1.5 现金流量表的Python分析

2、基于基本面分析的Python代码实现

2.1 如果通过基本面分析选出需要的股票

2.2 基于Python的杜邦分析法

2.3 24小时遍历合适上市公司

十二、高频交易与量化实盘

1、高频交易的环境配置

1.1 远期合约与期货

1.2 机器学习的基础1 - 线性回归模型与案例实战

1.3 机器学习的基础2 - 决策树模型与案例实战

2、CTA秒级策略探究

2.1 基于秒级别的CTA策略分析

2.2 秒级别的量价基本分析

2.3 秒级别的策略组合研究

3、量化实盘与自动交易的选择

3.1 量化实盘的交易选择

3.2 自动交易的注意点与难点