课程简介
Python金融量化教育实战的课程导学，我是Mitya拥有十多年的大数据行业的开发经验5年以上的金融量化相关的开发经验，目前我是在金融科技行业的一家金融量化公司任职技术总监，我主导过好几个金融量化投研平台项目的开发、还有管理，目前我负责开发和管理的基金量化投研平台直接管理着1,000亿以上的级别的资金，接下来就由我来带领大家进军金融量化开发。
首先给大家介绍一下为什么要学习量化交易？很多同学们肯定认为那个量化交易其实就是量化投资也就是跟金融有关系，你没有良好的资金或者你不做股市操盘手，你就没有办法进行量化交易这个概念呢其实是错误的，一般来说狭义的量化也就是量化投资，那主要是一些股票的交易行为那其实我们这里所说的量化交易是广义的量化，它的工作的实质呢是金融科技，它主要结合了金融数学以及计算机编程，这三个现在非常有前景的行业领域的综合知识，现在有很多著名的公司其实他都已经是把量化交易，作为他们主要的招聘和业务拓展了。
首先我们可以给大家去比如说这个公司高盛他是美国最大的华尔街的金融投资公司，那在20年前高盛还是以人工的交易员人工投资为主现在呢大概有一半左右的交易人员基本上都不见了，都是由数学家然后金融分析师还有量化交易程序的开发人员组成的。现在在美国大概50%左右的金融交易都是完全通过计算机的量化交易实现的，在今日我们给大家举个例子：
这家是中国的中信集团，他是全中国最大的证券公司，那这家证券公司现在也有40%以上的人员是采用量化交易进行交易的，然后这家可能大家都比较熟悉了，就是蚂蚁集团就是蚂蚁金服，蚂蚁金服他现在应该说他是在转型他之前一直是在做花呗、借呗一些金融的借贷，那现在的业务逐步的是进行一些量化相关的工作，就是蚂蚁其实现在非常火的一个就是基金的购买、基金购买他的那些基金的评价分析，他也是在做量化交易，所以整个量化交易他是有一个非常好的行业的前景。
然后因为量化交易其实它是综合了金融数学和计算机，三个学科而且这三个学科呢？都需要学到一定的知识才能获取量化交易开发的人才其实是空缺非常大的，传统的金融工程或者金融的院校他们专业的出来的他懂的是金融和数学，但是他不懂计算机开发很多计算机一些工程比如说就是Python，搭一个内裤、搭一个框架，其实都不是那么容易可以做好的，当然了像我们这些大多数同学可能都是那个计算机专业的对于Python对于编程对于工程化可能会做的相对好一点，但是金融和数学这两块领域可能不是那么懂，不过这个没关系你只要综合掌握了这三门，那个学科的综合知识在量化交易开发里面，你肯定可以手到擒来量化交易，其实可以是我们程序员转型的重要方向有这样一句话同学们可能可能听过人人都是产品经理，很多程序员他可能发展发展的他就会转产品或者去转项目经理或者是转运维测试，那其实现在你如果从事的是量化交易开发你还有一个重要的选择就是金融方式收尾，比如说你自己已经的原始积累了那你可以从事一些量化交易你用自己的钱可以赚一点。
整个的行业其实互联网大厂都在不停的裁人无论是阿里、腾讯、京东还是那个小米都是不停的裁人，互联网大厂其实程序员已经过载了已经非常多了，大厂都是这样的那些小厂的反而其实现在金融科技它是一个比较新的行业，最近两年才开始火起来金融机构的其实非常缺，程序的开发人员，那你可以先从量化交易做个敲门砖然后在金融领域站稳了脚跟那你将来在金融领域发展其实也是一个不错的行业选择。
接着我们给大家介绍一下课程的亮点：
咱们的课程是系统化现实当中同学们听到量化交易那也只是局限于量化交易，市面上课程呢虽然很多但是全体系能通俗易懂的给大家讲解的课程，就不是那么多了要么就是完全的都是金融和数学推导公式Python的编程较弱，要么就是一个太简单了那对一些金融和那个数学知识接受的又不够多。
那我们这门课其实是在整个我们首次进行体系化讲解量化教育的课程，我是有非常丰富的金融量化领域的研发的经验的在这门课程的时候给大家成体系的分享一下在实战中尤其是一线开发的时候会遇到哪些问题，然后就是实战教学了，在我咱们这个课程每一章每一期都会有实战教学，就是不仅仅是一些金融涉及到金融知识的原理，还有数学公式的推导，我们在每一节后面都会有一些实际的扣点，那把整个课程从金融到数学再到计算机编程都已经串行起来，然后我们会给大家提供非常真实有效的量化交易策略，在我们这课程里面提供的所有的量化交易策略都是一个实际工作中或者是如果同学们真正对量化交易感兴趣，自己想做点策略的话都是可以直接用到的，然后我们这些交易策略的一些回测的成绩这个策略到底好不好。
同学们都可以在实际看到最后咱们的最后一章会给大家进行一些就业指导分析里面会有很多市面上罕见的，主要专注在量化交易的一些面试真题的解析，这样的同学就可以知道现在如果要从事量化交易，这个开发岗的话、面试时候会遇到哪些题目，那他们的侧重点在哪里，如何有针对性的进行学习，接着呢我们给大家看一下我们一些实际的项目的一些展示。
课程截图
课程目录
{10}–第10章Python量化择时–技术指标函数
[10.1]–10-1量化择时基本概念.mp429.68M
[10.2]–10-2趋向指标上–MACD、EMV、UOS(一).mp426.82M
[10.3]–10-3趋向指标上–MACD、EMV、UOS(二).mp427.02M
[10.4]–10-4趋向指标中–GDX、JS.mp432.23M
[10.5]–10-5趋向指标下–MA、VMA.mp446.44M
[10.6]–10-6反趋向指标–RSI、WR与KDJ.mp449.98M
[10.7]–10-7压力支撑指标函数.mp461.37M
[10.8]–10-8量价指标函数.mp434.94M
{11}–第11章Python量化交易–策略回测实现
[11.1]–11-1量化交易策略回测流程.mp424.68M
[11.2]–11-2MACD指标量化策略.mp448.80M
[11.4]–11-4量化策略风险指标–Alpha、Beta与夏普.mp430.03M
[11.5]–11-5量化策略风险指标–索提诺比率、信息比率与策略波动率.mp419.10M
[11.6]–11-6量化策略风险指标–基准波动率与最大回撤.mp413.47M
{12}–第12章Python量化交易–因子分析
[12.1]–12-1量化因子分析–因子分析概述.mp421.55M
[12.2]–12-2量化因子分析–自定义因子实战.mp442.17M
[12.3]–12-3量化因子分析–因子分析结果.mp450.82M
[12.4]–12-4量化因子分析–alpha因子实战.mp430.12M
{13}–第13章Python量化交易策略实战案例
[13.10]–13-10量化交易策略实战–大小盘轮动策略（上）.mp434.81M
[13.11]–13-11量化交易策略实战–大小盘轮动策略（中）.mp429.98M
[13.12]–13-12量化交易策略实战–大小盘轮动策略（下）.mp442.61M
[13.13]–13-13量化交易策略实战–逆三因子量化交易策略-策略详解.mp433.26M
[13.15]–13-15量化交易策略实战–逆三因子量化交易策略-小结.mp49.72M
[13.1]–13-1量化交易策略实战案例–双均线策略.mp460.32M
[13.2]–13-2量化交易策略实战–KDJ策略.mp467.04M
[13.3]–13-3量化交易策略实战–MA-RSI策略（上）.mp448.70M
[13.4]–13-4量化交易策略实战–MA-RSI策略（下）.mp460.11M
[13.5]–13-5量化交易策略实战–能量型量化交易策略.mp460.38M
[13.6]–13-6量化交易策略实战–BOLL量化交易策略.mp482.78M
[13.7]–13-7量化交易策略实战–新能源股票轮动量化交易策略.mp458.39M
[13.8]–13-8量化交易策略实战–低估值量化交易策略（上）.mp440.14M
[13.9]–13-9量化交易策略实战–低估值量化交易策略（下）.mp472.81M
{1}–第1章课程介绍与学习指南
[1.1]–1-1量化交易开发课程导学.mp436.12M
{2}–第2章初识量化交易-必知的量化交易基础
[2.1]–2-1初识量化交易(上).mp461.77M
[2.2]–2-2初识量化交易(下).mp439.46M
[2.3]–2-3量化交易开发流程.mp448.55M
[2.4]–2-4量化交易分类–交易产品.mp4101.92M
[2.5]–2-5量化交易分类–盈利模式.mp439.51M
[2.6]–2-6量化交易分类–策略信号.mp449.86M
{3}–第3章进军量化交易开发第一课-基本的股票交易维度和概念
[3.1]–3-1股票基本概念（上）.mp472.96M
[3.2]–3-2股票基本概念（下）.mp45.36M
[3.3]–3-3股票行业分类.mp447.02M
[3.4]–3-4影响股价因素.mp4106.73M
[3.5]–3-5股票交易基础知识.mp449.32M
[3.6]–3-6基本选股及量化思想下的选股.mp436.63M
[3.7]–3-7股票交易必懂-择时.mp491.18M
[3.8]–3-8量化交易平台.mp4110.86M
{4}–第4章量化交易开发Numpy应用-股价分析实战
[4.1]–4-1基于Numpy股价统计分析实战.mp4127.11M
[4.2]–4-2基于Numpy股价均线实战.mp492.29M
{5}–第5章量化交易开发Pandas应用-股票分析实战
[5.1]–5-1基于Pandas股票时间序列分析实战.mp4120.09M
[5.2]–5-2基于Pandas实现K线图.mp4125.21M
{6}–第6章量化交易开发Matplotlib应用-股票技术分析实战
[6.1]–6-1基于Matplotlib实现MACD.mp4116.30M
[6.2]–6-2基于Matplotlib实现KDJ.mp4120.01M
{7}–第7章量化策略编写-Python量化交易编程第一步
[7.1]–7-1股票量化交易策略核心函数组成.mp4104.21M
[7.2]–7-2设置函数应用实战.mp4146.26M
[7.3]–7-3定时函数应用实战.mp476.61M
[7.4]–7-4交易函数应用实战.mp4160.91M
[7.5]–7-5量化交易策略实战–交易对象.mp4176.14M
[7.6]–7-6量化交易策略实战–策略信息.mp4103.05M
[7.7]–7-7量化交易策略实战–账户信息.mp4115.28M
{8}–第8章量化交易的前提-Python量化交易数据获取
[8.2]–8-2量化交易数据获取–财务数据.mp468.64M
[8.3]–8-3量化交易数据获取–成分股.mp487.32M
[8.4]–8-4量化交易数据获取–标的信息.mp445.87M
[8.5]–8-5量化交易数据获取–交易数据.mp478.63M
{9}–第9章股市投资第一步-Python基本面量化选股iclass=n
[9.1]–9-1量化选股–量化选股概况.mp4171.99M
[9.2]–9-2量化选股–营收因子选股.mp496.86M
[9.3]–9-3量化选股–财务因子选股.mp462.20M
[9.4]–9-4量化选股–规模类因子选股.mp454.61M
[9.5]–9-5量化选股–价值类因子.mp478.91M
[9.6]–9-6量化选股–质量类因子.mp441.52M
└──课件
quant-master.zip17.28kb
