Python基础+量化进阶AQF量化学习|金程

Python量化开发的起点与边界

这部分资料并非单纯的Python语法课，也非高深的数学建模教程，而是一套面向**量化投资策略落地**的工程入门指南。它解决的核心问题是：如何将抽象的交易想法转化为可执行、可回测的代码逻辑。对于许多有编程基础但缺乏金融场景经验，或者懂金融模型却不知如何用代码复现的开发者来说，这份资料填补了“理论”到“实践”之间的最后一公里。

课程从AQF（量化策略快速验证）体系切入，强调**策略实现的工程化思维**。与传统数据分析课程不同，这里不追求语言的冷僻特性，而是聚焦于如何在Python环境下构建一个完整的量化研究闭环：从环境搭建、数据获取、因子计算到策略回测。这种以“解决问题”为导向的结构，使得初学者能迅速看到代码运行的实际效果，从而建立对量化开发流程的整体认知。

前置要求与学习路径建议

本课程对读者的基础要求较为宽容，但并非毫无门槛。

**适合人群：**
- 具备Python基础语法知识（变量、循环、函数），希望将技术应用于金融领域的开发者。
- 有一定金融基础，希望学习如何用代码实现策略逻辑的理科背景学生或从业者。
- 对量化投资感兴趣，希望快速搭建本地回测环境并运行简单策略的初学者。

**不建议零基础直接上手**，若完全未接触过Python，建议先补充前4个章节的基础语法内容，重点掌握列表、字典、循环结构和Jupyter Notebook的基本操作。

**建议学习顺序：**
1. **第一阶段（环境准备）**：优先看完“Python语言环境搭建”及“Python编程基础”的前几节。这是后续所有实验的基石，务必确保能在本地成功运行Jupyter Notebook，并熟悉基本的文件读写和数据结构操作。
2. **第二阶段（核心逻辑）**：重点研读“量化投资前导”中的策略Python实现部分。这部分会展示一个完整策略从编写到回测的最小可行代码，理解其代码结构比深究数学公式更重要。
3. **第三阶段（策略拓展）**：按需选择“行业轮动”、“事件驱动”或“CTA模型”等专题。这些章节展示了不同风格策略的代码实现范式，可作为独立模块参考，不必按顺序死磕。

学后能力与资料配合使用指南

完成本课程的主要模块后，读者应具备以下能力：

- 能够独立搭建Windows或MacOS下的Python量化开发环境，配置好常用数据接口和回测框架。
- 能够阅读并修改简单的量化策略代码，理解因子计算、信号生成和组合权重分配的基本代码结构。
- 能够在本地Jupyter环境中，对单一资产或简单组合进行历史数据回测，并解读基础的绩效指标。
- 能够将课程中的模块化代码（如数据清洗函数、信号生成函数）复用为自己的小型量化项目脚手架。

**资料配合练习建议：**
本资料的价值不在于“看”，而在于“改”。请务必下载配套代码，在本地环境中逐行运行。对于每个策略示例，建议尝试：
1. 修改参数（如均线周期、持仓天数）观察结果变化；
2. 替换不同的标的或时间段，验证策略的稳定性；
3. 尝试将两个简单策略的逻辑组合，观察混合效果。

通过动手调试而非仅观看视频，才能真正掌握量化代码的工程细节，避免陷入“看懂了但写不出”的困境。