㈠ 【2022·合辑】Python量化从入门到精通
引言
公众号“Python金融量化”历经四年，累计10万+关注，依然坚持文字输出，这背后离不开广大读者的支持，特别是知识星球圈友的贡献，累计付费人数已达1600+。公众号以原创内容为动力，今年的一大成就在于基于公众号沉淀和网上资源开发了qstock量化分析包，包括数据获取、可视化、选股和量化回测四大模块。qstock面向读者开源，直接通过“pip install qstock”进行安装，或通过“pip install –upgrade qstock”进行更新，部分策略功能仅对知识星球会员开放。
学习是一个逐步积累的过程，通过梳理过去四年发布的90多篇原创文章，形成四大框架：Python入门篇、金融数据篇、量化分析篇和策略回测篇。以下将详细介绍各部分内容。
Python入门篇
这一部分主要围绕Python金融量化入门学习路径、量化资源，以及numpy、pandas、matplotlib等量化常用库的入门和应用。推荐使用Anaconda作为编译软件，内置Jupyter notebook和Spyder，其中Jupyter在交互式编程与数据分析上功能强大。公众号文章皆基于Jupyter编写。
1.1 Python金融量化入门
1.2 Python量化资源大合集
1.3 NumPy入门与应用
1.4 Pandas数据处理详解
1.5 Matplotlib与Seaborn可视化
1.6 Sklearn机器学习基础
1.7 Pyecharts股票可视化分析
金融数据篇
本部分涉及使用Python获取股票行情、上市公司基本面、宏观经济以及财经新闻等数据，进行可视化分析。使用Postgresql搭建本地量化分析数据库，介绍qstock免费开源库在线获取行情数据、板块资金流数据、宏观基本面和财经新闻数据。
2.1 Python获取交易数据
2.2 上市公司数据概览
2.3 Python量化选股初探
2.4 财经十大关键词解析
2.5 Python财经数据可视化
2.6 文本挖掘与财经分析
2.7 Python量化财经新闻分析
2.8 自建量化分析数据库
2.9 Python面向对象编程与股票数据管理
量化分析篇
本部分深入探讨A股市场分析、金融统计、蒙特卡洛模拟、时间序列建模、TA-Lib技术分析、投资组合、多因子模型、基本面量化分析等。内容涵盖数据探索性分析、时间序列专题、技术分析、投资组合分析、多因子模型、债券与期权分析、比特币量化、基本面量化等。
3.1 股票分析入门
3.2 A股指数图谱分析
3.3 A股沉浮启示录
3.4 股市趋势与拐点研究
3.5 A股数据挖掘案例
3.6 机器学习分析股票市场结构
3.7 股票涨停板探索性分析
3.8 时间序列日期处理
3.9 时间序列自相关性与平稳性
3.10 金融时间序列模型
3.11 ARCH与GARCH模型应用
3.12 机器学习预测效果与非平稳性
3.13 Markov区制转换模型分析
3.14 统计套利量化
3.15 股市牛熊分析
3.16 TA-Lib技术分析
3.17 TA-Lib技术分析案例
3.18 量价关系分析
3.19 Python量化股票情绪指标
3.20 动量指标量化回测
3.21 Python量化强势股寻找
3.22 Python量价形态选股
3.23 牛股价量分析
3.24 Heikin Ashi蜡烛图可视化
3.25 趋势预测方法
3.26 价格噪音量化应用
3.27 交易系统与市场分析
3.28 多因子量化选股模型
3.29 单因子测试框架
3.30 量化回测
3.31 固定收益与衍生品分析
3.32 债券与期权定价分析
3.33 比特币交易者分析
3.34 股票财务指标打分系统
3.35 高管增持股价影响
3.36 领涨板块与题材龙头股
策略回测篇
本部分聚焦于量化策略的评价指标、指数定投、机器学习、海龟交易法、均值回归策略等，以及backtrader回测系统的运用和qstock量化回测。
4.1 量化投资方法论
4.2 量化策略评价与风险指标
4.3 证券收益分析
4.4 事件驱动量化回测
4.5 Pyfolio量化回测图表
4.6 指数定投策略分析
4.7 如何实现基金定投收益最大化
4.8 使用Logistic回归预测指数涨跌
4.9 RNN深度学习预测股票价格
4.10 均值回归策略回测
4.11 海龟交易法则应用
4.12 月份效应与A股择时策略
4.13 北向资金预测大盘涨跌
4.14 ADX和MACD趋势策略回测
4.15 龙虎榜个股交易策略
4.16 qstock量化回测应用
4.17 均线排列价格动量策略
4.18 价格动量策略回测
4.19 机器学习预测交易信号
4.20 神经网络构建量化交易策略
4.21 backtrader入门与使用
4.22 backtrader进阶指南
4.23 backtrader高级应用
4.24 回测股票因子数据
4.25 股票组合量化回测
4.26 海龟交易策略回测
4.27 回测技术指标自定义
4.28 Ichimoku云图策略回测
4.29 隔夜持仓与日内交易比较
结语
回顾过去，展望未来，曾国藩的“物来顺应，未来不迎，当时不杂，既过不恋”作为结语，寄予读者以智慧与启示。公众号“Python金融量化”致力于分享Python金融量化应用知识，提供丰富资源、视频资料、PDF文档、文章源码以及与博主交流的平台。加入知识星球，获取更多内容，与作者互动交流。