• ❗️通知 Announcement❗️
• 1. 课程大纲 Syllabus
  • 1.1 课程简介
  • 1.2 课程目标
  • 1.3 主要内容
  • 1.4 知识储备
  • 1.5 教材与参考书
  • 1.6 评分方式
• 2. 课程内容 Contents

❗️通知 Announcement❗️

1. 课程大纲 Syllabus

1.1 课程简介

《量化投资》是一门面向本科生的应用导向课程，系统介绍如何使用数量方法、计算机编程和现代数据分析工具分析金融市场数据，并构建可检验、可复现的投资与交易策略。

本课程在内容架构上以研究生层面的《量化投资》为蓝本，但针对本科生的知识背景特点进行了结构性优化。鉴于本科生在本校培养体系下具有较高的同质性，且已具备较为统一的计量经济学与Python编程前置基础，本课程将大幅压缩基础工具的讲授课时，仅作快速串讲。 由此释放的教学时间将用于核心内容的重构：一方面，课程将适当弱化复杂的数学推导与证明，转而强调量化模型的经济直觉与底层逻辑，降低初学者的认知负荷；另一方面，根据课程实际进度，灵活引入机器学习、深度学习及衍生品交易策略等专题。这种安排旨在利用本科生扎实的基础，在有限课时内实现从基础理论到前沿实战的快速跨越。

本课程强调“以数据和代码为核心”的研究范式，注重策略构建的逻辑一致性、实证可复制性以及结果解释的经济含义。

1.2 课程目标

通过本课程的学习，学生应当能够：

• 熟练使用 Python 及常用数据分析与机器学习工具处理金融数据；
• 理解常见量化投资模型与策略背后的基本思想和适用条件；
• 独立完成从数据处理、特征构建到策略回测与评估的完整流程；
• 对量化方法的优势、局限性及潜在风险形成基本判断。

1.3 主要内容

本课程将围绕以下主题展开（具体内容可能根据教学进度调整）：

• Python 基础与金融数据处理
  （numpy、pandas、matplotlib 等）
• 因子模型与股票收益预测
  （因子构建、组合形成、因子检验）
• 技术分析方法及其统计检验
• 策略回测框架与风险评估方法
• 机器学习与深度学习在量化投资中的应用
  （线性模型、树模型、神经网络等）
• 衍生品及相关量化策略的基础介绍
  （如期货、期权的简单策略与风险结构）

本课程不涉及高频（日内）交易策略。主要数据来源为中国 A 股市场。

1.4 知识储备

学生应具备基本的概率论、统计学和计量经济学知识。课程不要求学生事先具备编程经验，所有与 Python 编程和数据分析相关的内容都会在课程中系统讲解；但需要做好进行较多编程练习和上机操作的心理准备。

1.5 教材与参考书

我们采用的量化回测平台是优矿，请至相关网页下载客户端。优矿有免费版但分配的计算资源很少，学院会提供一些共享账号。参考书目见下方。本课程不设指定教材。课程讲义、代码示例及相关资料将统一上传至本网页，请同学在每次上课前自行下载最新版本。

主要参考书目包括（但不限于）：

• Cochrane, J. H. (2005). Asset Pricing. Princeton University Press.
• Bali, T. G., Engle, R. F., & Murray, S. (2016). Empirical Asset Pricing. Wiley.
• 石川、刘洋溢、连祥斌 (2020). 《因子投资：方法与实践》. 电子工业出版社.
• Murphy, J. J. (1999). Technical Analysis of the Financial Markets. New York Institute of Finance.
• Grinold, R., & Kahn, R. (1999). Active Portfolio Management. McGraw-Hill.
• Géron, A. (2021). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly.

1.6 评分方式

• 3次作业（70%）
• 闭卷考试 (30%)

闭卷考试形式：闭卷考试不考察死记硬背的代码语法或API参数，旨在考察学生对于重要概念的理解，以及是否有能力构建、查验量化项目。客观题占30%–40%，主观设计题占60%–70%。

严禁抄袭作业。 一经发现，将按照学校相关规定严肃处理，可能会直接挂科。对编程经验较少的同学而言，学习过程中遇到困难是正常的；课程将提供示例代码和必要的指导，只要认真完成练习，即可顺利完成课程要求。

2. 课程内容 Contents

Back to top