完全不懂金融，想学习量化投资需要学习哪些金融科目
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了完全不懂金融，想学习量化投资需要学习哪些金融科目相关的知识，希望对你有一定的参考价值。
我个人认为学习量化投资在金融方面需要具备两个方面的知识：1、首先是要了解金融市场与金融产品，只有这样才能在众多市场与标的中选择合适的来构建投资组合，这一方面需要了解的基础知识有：金融市场与金融机构、投资学、金融衍生品等等；
2、其次是需要了解如何量化，相信你应该有足够的IT背景，编程没啥问题，其次的话就是要了解数理来沟通金融产品选择与编程落地，需要了解的科目有：概率论、统计学、计量经济学、金融经济学、数理金融等。 参考技术A 就学金融基础就可以啦。 参考技术B 量化金融分析师AQF实训项目学习大纲了解下~
1.1.1. 第一部分：前导及课程介绍
1.AQF核心课程
2.量化策略的Python实现和回测
3.整体代码介绍
1.1.2. 第二部分：量化投资基础
1.量化投资背景及决策流程
2.量化择时
3.动量及反转策略
4.基金结构套利
5.行业轮动与相对价值
6.市场中性和多因子
7.事件驱动
8.CTA_1（TD模型）
9.统计套利_低风险套利
10.大数据和舆情分析
11.机器学习
12.高频交易和期权交易
13.其他策略和策略注意点
1.1.3. 第三部分：Python编程知识
Python语言环境搭建
1.Python语言环境搭建
Python编程基础
1.python数字运算和Jupyter notebook介绍
2.字符串
3.Python运算符
4.Tuple和List
5.字典
6.字符串格式化
7.控制结构_1.For循环
8.函数
9.全局和局部变量
10.模块
11.Python当中的重要函数
Python编程进阶
1.Numpy数据分析精讲
2.Pandas数据分析详解
数据可视化
1.Pandas内置数据可视化
2.Matplotlib基础
3.Seaborn
金融数据处理实战
1.数据获取_1.本地数据读取
1.数据获取_2.网络数据读取_1
1.数据获取_2.网络数据读取_2.tushare
1.数据获取_2_网络数据读取_3.文件存储
2.金融数据处理_1.同时获取多只股票
2.金融数据处理_2.金融计算
2.金融数据处理_3.检验分布和相关性
3.金融时间序列分析_1.Python下的时间处理
3.金融时间序列分析_2.Pandas时间格式
3.金融时间序列分析_3.金融数据频率的转换
4.金融数据处理分析实战案例_案例1
4.金融数据处理分析实战案例_案例2_多指标条件选股分析_1
4.金融数据处理分析实战案例_案例2_多指标条件选股分析_2
1.1.4. 第四部分：量化交易策略模块
三大经典策略
1.三大经典策略_1.SMA
1.三大经典策略_2.动量Momentum
1.三大经典策略_3.均值回归
配对交易策略
2.配对交易
技术分析相关策略
3.量化投资与技术分析_1.技术分析
3.量化投资与技术分析_2.CCI策略的Python实现
3.量化投资与技术分析_3.布林带策略的Python实现_1
3.量化投资与技术分析_4.SMA和CCI双指标交易系统
3.量化投资与技术分析_5.形态识别和移动止损策略
大数据舆情分析策略
4.大数据舆情分析策略_基于谷歌搜索的大数据舆情分析
CTA交易策略
5.CTA交易策略_Aberration趋势跟踪系统
量化投资与机器学习
6.量化投资与机器学习_1_机器学习算法原理_2_逻辑回归原理
6.量化投资与机器学习_1_机器学习算法原理_3_SVM算法原理
6.量化投资与机器学习_1_机器学习算法原理_4_决策树算法原理
6.量化投资与机器学习_1_机器学习算法原理_5_KNN算法原理
6.量化投资与机器学习_1_机器学习算法原理_6_神经网络算法了解
6.量化投资与机器学习_1_机器学习算法原理_7_K-means算法原理和算法总结
6.量化投资与机器学习_2_机器学习算法实现_1_数据集生成原理
6.量化投资与机器学习_2_机器学习算法实现_2_数据集可视化
6.量化投资与机器学习_2_机器学习算法实现_3_逻辑回归算法的python实现
6.量化投资与机器学习_2_机器学习算法实现_4_DT_KNN_NB算法的python实现
6.量化投资与机器学习_2_机器学习算法实现_5_SVM算法的python实现
6.量化投资与机器学习_3_机器学习算法实战_6_基于逻辑回归和SVM的股市趋势预测
1.1.5. 第五部分：面向对象和实盘交易
1.模块内容整体介绍
2.面向对象、类、实例、属性和方法
3.创建类、实例、方法
4._init_初始化方法
5.面向对象程序实例
6.继承的概念及代码实现
7.面向对象继承的实战案例
8.多继承和量化交易平台的面向对象开发思路
9.用面向对象方法实现股债平衡策略
1.1.6. 第六部分 实盘模拟交易
基于优矿平台的面向对象策略
1.优矿平台介绍
2.优矿平台回测框架介绍
3.优矿框架之context对象、account和position对象
4.优矿其它重要操作
5.优矿之小市值因子策略
6.优矿之双均线策略
7.优矿之均值回归策略
8.优矿之单因子策略模板
9.优矿之多因子策略模板
10.优矿之因子数据处理：去极值和标准化
面向对象实盘交易之Oanda
1.Oanda平台介绍和账户配置
2.Oanda账户密码配置和交易框架原理
3.Oanda链接账户并查看信息
4.Oanda
API获取历史数据
5.Oanda市价单和交易状态查询
6.Oanda高级交易订单
7.
Oanda其它高级功能
8.
Oanda实战ADX策略全讲解：策略逻辑、数据读取、历史数据处理、可视化、实时数据和实时交易
9.
Oanda通过实时数据API调取实时数据、resample
面向对象实盘交易之IB
1.IB实战平台介绍及API安装调试
2.IB实战平台请求和响应远离、线程控制
3.IB响应函数wrapper讲解
4.IB请求函数及合约定义
5.IB程序化下单、仓位及账户查询
6.IB三均线交易_金字塔仓位下单控制模型实盘交易之策略原理、线程控制原理、策略结构总览、响应函数、交易信号、策略展示等全讲解。
1.1.7. 第七部分：基于优矿的进阶学习
1.1回测与策略框架
1.2评价指标
1.3.1量化策略设计流程简介
1.3.2择时策略举例（双均线）
1.3.3量化投资模板1.0选股和择时
2.1基于技术分析的量化投资
2.2.1技术指标
2.2.2
MACD择时策略
2.2.3
WVAD择时策略
2.2.4
RSI择时策略
2.2.5
MFI择时策略
2.2.6
CCI择时策略
2.2.7技术指标总结
2.3通道技术
3.1.1日期效应
3.1.2动量效应
3.2.1格雷厄姆成长投资
3.2.2积极投资策略
3.2.3价值投资策略
3.2.4小型价值股投资策略
3.3.1交易系统设计的一般原理
3.3.2均线排列系统
3.3.3金肯纳特交易系统
3.3.4海龟交易法系统
新加坡金融咨询公司总监对机器学习与量化投资的深入解读，60页PPT干货！
导读：
2018 年 3 月 25 号，新加坡某金融咨询公司总监王圣元做了一个关于机器学习、金融工程和量化投资的演讲，从不同角度分析了机器学习、金融工程、量化投资并进行总结。
王圣元，新加坡某金融咨询公司总监，新加坡国立大学金融数学硕士，新加坡国立大学量化金融学士，《快乐机器学习》的作者。
同时预告下，1月21日晚7点，深度学习&量化投资公开课将正式开讲，由NVIDIA解决方案架构师王闪闪带来直播讲解，主题为《深度学习在资产定价中的应用》。添加小助手芒芒（ID：zhidxclass005）或扫描文末海报二维码即可报名，并加入本次专场的主讲群。
一、机器学习
自学了 2 年，学习方式是上 Coursera, Udacity 公开课，看 Youtube 视屏，看大牛博客，写写代码。在写代码的时候，我发现其实在 Python 用模型是件非常简单的事情，比如 sklearn 里面的库调用起来太友好了，很多时候不同模型调用起来只是模型名称不同而已。但是当模型产出结果不好的时候，如何改进模型，知道误差出在哪里，甚至了解训练误差和真实误差的关系，这个就要精通。
可能有的人觉得它过于枯燥，有的人觉得它太过理论。但是计算学习理论解答了为什么机器可以学习。如果连这个都不搞清楚，那么所有算法和模型都将沦为脚下悬空的招式，模型出问题后只会效率极低毫无头绪的补补这边修修那边，不得心法，将永远是机器学习的门外汉。
基于此，我从“计算学习理论”的角度来介绍机器学习。
注：该理论只适合机器学习里的模型，不适合深度神经网络，适合后者的理论是由 Tishby 在《Opening the Black Box of Deep Neural Network via Information》论文里提出，里面的信息瓶颈是被 Hinton 号称要读一万遍才能懂的知识点。
二、金融工程
这个领域是我的专长，有着 6 年校内学习和 10 年业内经验。借用在一贴里一首打油诗概括：
数据参数最重要，没有它们没有料。
变量计算贯全场，各步所需用处广。
曲线构建排最前，所有产品需折现。
模型校正剔主观，优化函数来调参。
产品估值有三法，通用一切看蒙卡。
风险计量重之重，对冲风控用之用。
基于此，我从“系统框架”的角度来介绍金融工程。
注：2021 年 Libor 大概率会被弃用，那么如何找它的替代品，如何来对 2021 年之前的和 Libor 挂钩的产品进行处理？难道 Q-quant 的春天又要来了？
三、量化投资
刚刚接触半年不到，也没有怎么花功夫在上面，基本上就是东看看西看看，从来没有系统的学它。学一个新东西最快的方式就是用一个具体的特例。我主要参照了华泰的研报 Python 实战那一期，用的是假数据，但是多加了一步机器学习调整超参数步骤 (GridSearchCV)。用的支撑向量机 (SVM) 加高斯核 (提高模型复杂度来处理高维数据) 和正则项 (减小模型复杂度来防止过拟合)。策略就是每期用 SVM 预测股票涨跌，但是关注的是涨跌的概率，将其排序，选出涨的概率最大 (涨幅不见得最大) 的若干股票。
基于此，我从“具体特例”的角度来介绍量化投资。
注：量化投资的评估标准就是策略赚钱的能力，赚钱的策略没人会分享，市面能讲的就是提供一些思路。所有的东西都要靠自己试，没人能帮你。
四、小结
我见过机器学习非常厉害的人，也见过十分精通金融工程的人，也见过量化投资做的很溜的人，但很少见过在三个领域都很牛的人。Learning is a lifelong process.
以上是关于完全不懂金融，想学习量化投资需要学习哪些金融科目的主要内容，如果未能解决你的问题，请参考以下文章
强烈推荐 |量化交易资料包领取B48：金融时间序列学习进阶资料大礼包