PATH 01
从数据到第一张净值曲线
- 用 Python 读取日度价格，画一张收盘价图。
- 计算日收益、累计净值、年化收益与最大回撤。
- 用买入持有跑通第一张净值曲线，确认复利与缺失值处理正确。
- 把结果写成一张表：收益、波动、夏普、回撤。
学习路径
从第一张净值曲线到实盘监控，五条路径按顺序排列。每一步都可以用公开数据与开源工具完成，不需要付费终端。
01 / 路径
五步，从数据到实盘
不要跳过回测工程。大多数“策略失效”，其实是未来函数、成本遗漏或样本外污染。
PATH 02
因子、截面与组合
- 理解截面排序、分组与多空组合的构造。
- 复现 SMB、HML、MOM 三个因子的日收益。
- 用 IC、分组收益与换手率评估因子。
- 把多个因子组合起来，观察相关性与风险贡献。
PATH 03
回测工程与过拟合
- 区分样本内与样本外，按时间切分而非随机切分。
- 加入交易成本、滑点与换手约束。
- 做参数敏感性分析：参数扰动后结果是否仍然成立。
- 记录每一次实验，避免“只记住成功的那次”。
PATH 04
机器学习与因子挖掘
- 构建 point-in-time 特征面板，杜绝未来函数。
- 用弹性网络、树模型建立基线，再做非线性模型。
- 严格滚动样本外验证，记录特征重要性。
- 把预测转化为组合，计入换手与成本。
PATH 05
从回测到实盘
- 用仿真盘跟踪至少 3 个月，比较回测与实际的偏差。
- 建立风控阈值：单日亏损、回撤、集中度、杠杆。
- 做容量评估：策略能承载多少资金而不显著改变收益。
- 把执行、监控与复盘写成流程，而不是依赖个人记忆。
02 / 工具
开源工具清单
只列仍在维护、文档可读的项目。工具不能替代判断，但能让你更快证伪。
研究框架
Qlib
AI 量化的全流程框架，含数据、模型、回测。
microsoftGitHub →
组合优化
PyPortfolioOpt
均值方差、风险平价、Black-Litterman。
PyPortfolioGitHub →
绩效分析
QuantStats
一行代码生成绩效报告。
ranaroussiGitHub →
事件驱动回测
bt
轻量、可组合的策略树。
pmorissetteGitHub →
系统化交易
pysystemtrade
Rob Carver 的生产级框架。
pst-groupGitHub →
机器学习
ML for Trading
配套《Machine Learning for Trading》的代码。
stefan-jansenGitHub →
强化学习
FinRL
金融强化学习的研究框架。
AI4Finance-FoundationGitHub →
数据终端
OpenBB
开源投资研究终端。
OpenBB-financeGitHub →
03 / 阅读
四篇值得读原文的论文
本站的策略卡大多可以追溯到这些论文。读原文，尤其是它们对数据与样本外验证的描述。
- Jegadeesh & Titman (1993), Returns to Buying Winners and Selling Losers. 动量因子的起点。
- Moskowitz, Ooi & Pedersen (2012), Time Series Momentum. 趋势与绝对动量的学术基础。
- Asness, Frazzini & Pedersen (2012), Leverage Aversion and Risk Parity. 风险平价的现代讨论。
- Gu, Kelly & Xiu (2020), Empirical Asset Pricing via Machine Learning. 机器学习因子研究的基准论文。