能复跑研究脚本，组织因子评价，并用独立样本外与成本后结果解释策略
入门基础体系
AI量化基础课程班
12讲连续研究路径 · 从真实数据到因子验证、组合与最小执行
以真实期货数据为入口，贯通Python与AI辅助写码、33因子体系、评价增强、独立样本外复核、多因子组合和模拟盘/live dry-run执行。
¥4,999购买课程 ↗
- 学习阶段
- 入门
- 课程时长
- 12讲系统课程
- 内容安排
- 12讲
课程价格¥4,999
购买课程 ↗01 / THE OUTCOME学完之后，
学完之后，
你能带走什么。
从理解方法，到形成自己的研究能力。
能读懂模拟盘与live dry-run状态，并区分真实发单和生产化尚需补齐的环节
完成从“看案例”到“自己跑通第一条量化闭环”的阶段跨越
12讲连续研究主线，从真实分钟数据、研究写码到因子、信号、组合和最小执行
围绕33因子体系学习统一表达、评价分类、范式扩展与去冗余
用样本内质量门槛和独立样本外检验，复核静态排序与结构证据
在相同持仓和成本下比较equal、Ridge、XGBoost及门控优化
以模拟盘和live dry-run建立最小执行认知，明确真实发单与生产系统边界
02 / FIND YOUR PLACE先确认方向，
先确认方向，
再决定如何出发。
适合这样的你
- 零基础或弱基础、需要先完成第一条量化实操链路的人
- 想从 Python、数据、回测走到基础策略闭环的人
- 有主观交易经验，但还不会独立写策略、做测试和评估的人
希望建立完整研究路径的量化入门者与弱基础学习者 · 能看懂指标或交易案例，但还不会独立复跑和解释研究结果的人 · 希望把数据、因子、验证、组合与执行入口接起来的人
开始前，需要准备
- 愿意按步骤运行真实数据脚本，检查图表、表格和输出文件
- Python弱基础可从第3讲研究脚本入门，第4讲学习AI辅助增量修改与验证
- 愿意遵守样本内外隔离、交易成本与模拟/实盘边界，不把回测结果当收益承诺
哪些情况建议先调整学习计划？
- 希望直接跳过基础，立刻进入高阶因子工程或生产级部署的人
- 只想拿现成策略，不愿意自己完成编写、测试与复盘的人
- 不愿意补齐交易理念、期货规则和风险认知基础的人
03 / THE CURRICULUM知识有顺序，
知识有顺序，
能力逐步建立。
12 个模块，按学习顺序展开。
点击每个模块，查看具体主题与课时。
教学目标
- 01
建立数据、因子、策略或模型、回测、执行之间的研究地图
- 02
区分主观交易、量化交易与AI量化的职责
- 03
明确基础训练与高阶因子工程、生产级系统的边界
核心内容
- 01
零散学习与连续研究流程的区别
- 02
从真实数据到可验证表达，再到策略与执行的基本链路
- 03
课程覆盖的数据分析、研究写码、因子检验、组合和最小执行
- 04
基础课先完成第一条研究闭环，不承诺一次完成复杂系统
实操任务
- 01
写出三种研究方式的差别，并手绘完整研究路径
- 02
列出自己当前最薄弱的两个环节
本课交付物
研究路径图、三种研究方式对照与个人学习短板清单
常见学习方式
市场上常见的入门课，往往停留在 Python 基础、技术指标介绍或简单回测演示层面。学习者学完通常知道几个概念、看过几个案例，却仍然不会独立写策略、不会系统做测试，也不知道距离模拟盘和实盘还差哪些关键环节。
本课的侧重
这门课的定位，是帮助零基础或弱基础学习者完成量化入门阶段最关键的一步: 从“知道量化是什么”进入“能够独立完成基础策略编写、回测测试与结果分析”。它承担的是整套课程体系里的第一阶段能力建设，而不是泛泛的知识启蒙。
关键差异
这门课真正的竞争力，不在于多讲几个指标或模型名词，而在于把基础编程、交易理念、市场规则、回测测试、风险理解和执行认知整合成一条完整闭环。它解决的不是“听懂”，而是“第一次真的会做、会测、会评估基础策略”。
IN PRACTICE让方法，
让方法，
落到具体的问题里。
从螺纹钢分钟数据到黄金迁移分析
- 研究场景
- 学习者会看行情，但尚不能把数据现象写成可检验表达。
- 方法路径
- 用基础分析、幅度、频率、状态位置四类视角复跑真实脚本，再比较表达原型与迁移结果。
- 学习结果
- 形成分析图表、候选表达说明和参数修改记录，知道每个研究结论对应什么数据证据。
从因子筛选到成本后的组合与最小执行
- 研究场景
- 单因子样本内表现较好，但未必能在样本外或组合交易中延续。
- 方法路径
- 先做质量筛选和结构复核，再在相同持仓与成本下比较组合，最后连接模拟盘和live dry-run。
- 学习结果
- 能用复核表、组合绩效和执行状态解释问题，同时区分历史案例结果、模拟验证与真实发单。
YOUR INSTRUCTOR与你一起，
与你一起，
把研究做扎实。
AI量化邹老师
量化课程讲师 · 因子工程与科学评估围绕量化基础、因子工程设计、科学评估和 AI 辅助研发组织课程与公开研究。教学结合问题定义、代码实践、样本外验证和工程复现，帮助学习者形成可检查、可复盘的研究流程。
关注学院的公开分享 ↗A CLOSER LOOK
进一步了解这门课。
第01-04讲：研究入口与写码基础
先建立研究地图，读懂真实分钟数据，再把研究脚本与AI辅助编程接起来。
第05-07讲：因子体系与候选生成
把数据表达统一为因子体系，完成评价、用途分类、范式扩展与去冗余。
第08-10讲：信号与样本内外验证
把候选转成信号和最小策略，再用独立样本外及案例证据复核筛选方法。
第11-12讲：组合策略与最小执行
在统一持仓和成本口径下比较组合，并接入模拟盘和live dry-run的最小执行层。
课程最终形成哪些研究交付
研究脚本与参数修改记录、数据分析图表、因子面板与用途分类、候选扩展与去重结果、信号表和单因子复核表，逐步形成可检查的研究资产。
组合阶段比较因子池、模型、门控和成本；执行阶段整理统一分钟面板、factor/signal/target状态与runner摘要。
课程边界与样本口径
这是一套入门研究与最小执行训练，不是完整Python语法课程或生产级交易系统交付。
课程案例和回测结果须结合样本、成本、信号及持仓口径理解，不构成未来收益保证。
模拟盘、live dry-run与真实发单分别验收，不能以dry-run通过代替真实订单验证。
最终完整部署仍需补齐数据覆盖、订单管理、风控、监控告警及运维外围能力。
课时如何安排
目前依据12份定稿课件按12讲组织，附件未统一标注单讲时长；具体小时数与排课以实际授课安排为准。
教学方式与课程资料说明
- 数据与案例
- 课程讲义与公开研究中的示例
- 实践方式
- 代码实现、复现与验证
- 课程范围
- 量化基础 / 因子工程 / 科学评估 / AI辅助研发
- 课程目标
- 建立可复盘、可迁移、可升级的研发框架
体系化落地
从目标设计、特征工程、因子研究到风控、部署与复盘，强调一套完整方法如何真正落地。
理论+代码并行
不只解释原理，更会讲清每一步为什么这么做、对应什么工程实现，以及如何迁移进自己的研究流程。
可复用框架
目标不是只学完目录，而是沉淀一套可复盘、可扩展、可持续升级的量化研发与策略迭代框架。
BEFORE YOU BEGIN出发前，
出发前，
把疑问说清楚。
LEARNING TOGETHER
让课程形成一条学习主线。
学习路径导航
先补哪一门、下一步学什么、哪些课程适合并行穿插，这里会给你一个更轻量的导航入口。
相关课程推荐
从当前课程继续往前补基础、往后做进阶，或者横向扩展相关主题，会更容易形成完整学习路径。
学院子模块
相关技巧文章
如果你想把这门课里的某个思路继续往工程细节或方法层面深入，这几篇文章会是很自然的延伸阅读。