# AI 辅助量化交易实战

> **零基础 → 实盘策略**：理论 + 实战 + AI 工具三线并行
> **预计课时**：80～100 课时（每课时 45 分钟）
> **章节结构**：16 章，每章包含 5-7 个课时，形成「理论 → 数据 → 策略 → AI 增强」递进
> **技术栈**：Python、pandas、numpy、AKShare、backtrader

## 👥 这门课适合谁？

### 典型学员 A：小李 - 理工科转金融
- **背景**：计算机/数学专业毕业，会 Python，炒过股但总亏钱，想用编程优势做量化
- **痛点**：不懂金融术语，不知道策略怎么设计，看到 K 线图一脸懵
- **学完后**：能设计并回测量化策略（双均线/动量/均值回归），年化收益跑赢指数，拿到量化私募 offer

### 典型学员 B：小王 - 传统交易员
- **背景**：做主观交易 3 年，但情绪化操作总亏钱，想转量化
- **痛点**：不会编程，不知道怎么用 Python 回测策略，AI 工具不会用
- **学完后**：能用 Python 实现自己的交易策略，能用 AI 辅助策略优化，从主观交易转量化交易

### 典型学员 C：老张 - 程序员副业
- **背景**：有编程能力，想做副业增加收入，看好量化交易但不知道从哪开始
- **痛点**：没有金融背景，不知道数据怎么获取，策略怎么回测
- **学完后**：能上线自己的量化策略（A 股/期货/加密货币），副业月入 1-3 万

## 🎯 前置能力要求

**技术能力自测**（满足 3 条以上即可学习）：
- [ ] 会 Python 基础（变量、函数、循环）
- [ ] 会用 pandas 或愿意学（课程会教）
- [ ] 炒过股或知道什么是"买入/卖出/K线图"
- [ ] 有交易账户或愿意开模拟盘
- [ ] 愿意花 80-100 小时完成课程

**不需要**：
- ❌ 不需要金融背景（课程从零讲起）
- ❌ 不需要大量本金（可用模拟盘练习）
- ❌ 不需要精通数学（高中数学够用）

## ✅ 学完后你将掌握

**技术能力**
- [ ] 能用 Python 获取并清洗金融数据（AKShare/Tushare/yfinance）
- [ ] 能计算技术指标（MA/MACD/RSI/布林带）
- [ ] 能设计并回测量化策略（趋势跟踪/均值回归/动量策略）
- [ ] 能做风险管理（仓位管理、止损止盈、回撤控制）
- [ ] 能对接实盘（A 股/期货/加密货币交易所 API）

**面试能力**
- [ ] 能讲清楚"趋势跟踪和均值回归的区别"
- [ ] 能解释"为什么要做回测""夏普比率是什么"
- [ ] 能回答"如何防止过拟合""怎么做风控"

**职业路径**
- [ ] 拿到量化私募 / 对冲基金 / 券商量化岗 offer（30-80K/月）
- [ ] 能做量化策略研究员，开发并维护策略
- [ ] 能做 AI + 量化复合型人才（用 ML 做因子挖掘）

**商业价值**
- [ ] 能上线自己的量化策略，年化收益 15%+（跑赢指数）
- [ ] 能做副业（帮私募做策略回测，或接量化外包）
- [ ] 能降低投资风险（用量化替代情绪化操作）

## 💼 应用场景

**工作场景**
1. **量化私募**：在量化私募做策略研究，开发多因子选股/CTA 策略
2. **券商量化部门**：给高净值客户提供量化服务，管理资产规模
3. **金融科技公司**：做智能投顾、量化 SaaS 产品

**个人项目**
1. **量化副业**：上线自己的策略（A 股/期货/币圈），副业月入 1-3 万
2. **策略售卖**：开发并售卖量化策略给散户/私募，按业绩分成
3. **投资组合优化**：用量化管理自己的投资组合，降低风险

**技术深造**
1. **学习机器学习量化**：理解传统量化后，学 ML 选股/强化学习交易更容易
2. **研究高频交易**：理解低频策略后，学做市商策略/套利策略
3. **参与开源量化**：给 Backtrader/Zipline/vnpy 贡献代码


> 📌 **课时换算说明**：每章约 5-7 课时（含理论讲解 + 代码实操 + 练习），16 章 × 5-7 课时 ≈ 80-100 课时。核心章节（ch05-ch11 策略与回测）可适当加长，工具章节（ch01-ch04）可按进度压缩。

![AI 辅助量化交易实战 Banner](visuals/banner/course-banner.png)

## 课程简介

面向零基础学员的量化交易实战课程。从"为什么要量化"出发，用 AI 工具辅助学习，逐步掌握：
- **数据获取与清洗** — AKShare / Tushare / yfinance 免费数据源
- **技术分析与因子** — MA / MACD / RSI / 布林带 / 量化因子
- **策略设计与回测** — 趋势跟踪 / 均值回归 / 动量策略
- **AI 深度应用** — ML 选股 / LLM 情绪分析 / 多 Agent 协作
- **风控与实盘** — 仓位管理 / 止损止盈 / 实盘对接 / 迭代优化

课程独特卖点：**AI 工具贯穿始终**——用 ChatGPT / Claude / DeepSeek 辅助编程、分析数据、设计策略、解读财报。

## 课程大纲

### 模块一：认识量化交易与 AI 工具（Ch01-Ch02）

| 章节 | 主题 |
|------|------|
| Ch01 | 量化交易是什么 — 传统 vs 量化、完整流程、市场现状 |
| Ch02 | AI 工具入门 — 提示词工程、AI 辅助工作流搭建 |

### 模块二：AI 基础与量化工具（Ch03-Ch06）

| 章节 | 主题 |
|------|------|
| Ch03 | Python 与 AI 工具协作编程 — pandas/numpy 速览 |
| Ch04 | 金融数据获取与处理 — 数据源、清洗、存储、**数据工程的残酷现实** |
| Ch05 | 技术分析与量化因子 — 指标计算、因子有效性、**技术指标的真实角色** |
| Ch06 | 量化工具全景 — backtrader / Zipline / 聚宽 / 万矿 |

### 模块三：策略设计与回测（Ch07-Ch09）

| 章节 | 主题 |
|------|------|
| Ch07 | 策略设计方法论 — 趋势跟踪 / 均值回归 / 动量 / **市场状态识别(Regime) / Beta与对冲** |
| Ch08 | 回测系统实战 — backtrader 完整回测、绩效指标、**Triple Barrier与Purged CV** |
| Ch09 | 机器学习在量化中的应用 — 特征工程、随机森林、XGBoost |

### 模块四：AI 深度应用（Ch10-Ch12）

| 章节 | 主题 |
|------|------|
| Ch10 | LLM 情绪分析 — 新闻/公告情感、市场情绪指标 |
| Ch11 | AI 辅助策略研究与优化 — 论文复现、策略诊断、知识库 |
| Ch12 | 多 Agent 协作 — Agent 团队分工、自动化流水线 |

### 模块五：风险管理与实盘（Ch13-Ch15）

| 章节 | 主题 |
|------|------|
| Ch13 | 风险管理 — 仓位管理、止损止盈、**组合构建与因子暴露管理**、回撤控制、**翻车案例** |
| Ch14 | 实盘对接 — 模拟盘→实盘、券商API、**交易成本建模**、自动化执行 |
| Ch15 | 策略生命周期 — 监控、调优、**在线学习与自适应进化**、退役标准 |

### 模块六：综合实战项目（Ch16）

| 章节 | 主题 |
|------|------|
| Ch16 | 综合毕业项目 — 从 0 到实盘的完整项目 |

## 目录结构

```
03_business_quant_trading/
├── README.md           ← 本文件
├── 课程大纲.md          ← 详细大纲（含每节知识点）
├── lessons/            # 教案（Markdown）
│   ├── chapter_01.md ~ chapter_16.md  # 16 章平铺教案
├── website/            # 课程网站
│   ├── index.html      # 宣传页
│   └── docs/           # Docsify 文档站
├── demos/              # 示例代码
├── poster/             # 宣传材料
└── videos/             # 视频资源
```

## 学习路线

```
零基础入门
  ├── Ch01-Ch02: 建立量化认知 + AI 工具上手
  ├── Ch03-Ch06: Python 编程 + 数据 + 技术
  ├── Ch07-Ch09: 策略设计 + 回测 + ML 入门
  ├── Ch10-Ch12: AI 深度应用（LLM / 研究助手 / Agent）
  ├── Ch13-Ch15: 风控 + 实盘 + 迭代
  └── Ch16: 综合毕业项目
```

## 前置要求

- 无需金融背景（课程从零讲起）
- 基础 Python 能力（Ch03 有速览，但建议提前熟悉）
- 一台可联网的电脑（Windows / macOS / Linux 均可）