知識星球
“量化投資”是指投資者使用數理分析、計算機程式設計技術、金融工程建模等方式，透過對樣本資料進行集中比對處理，找到資料之間的關係，制定量化策略，並使用編寫的軟體程式來執行交易，從而獲得投資回報的方式。其核心優勢在於風險管理更精準，能夠提供超額收益。
而那些靠數學模型分析金融市場，並用複雜的數學公式和計算機在稍縱即逝的市場機會中挖掘利潤的投資家則被稱為寬客（Quant）。在如今的量化投資領域，已經有了無數模型系統軟體，在強大的Python語言和資料庫的支援下，量化投資早已不再是一個神秘的領域。
量化交易在各大投資銀行和對沖基金公司中成為交易系統的主流，而機器學習也在量化交易中扮演著舉足輕重的角色。
為了幫助大家對量化投資進行系統學習
金融雲共享
邀請摩根斯坦利紐約總部量化女神
推出Python|機器學習與量化交易、定價實戰訓練課
本課程意在傳授金融資料處理分析、利率曲線擬合、微分方程數值解、量化交易投資策略建模以及機器學習在量化交易中的應用, 並以Python程式碼實現程式化交易。學生可以熟練掌握Yahoo Finance connection, sklearn、QS Trader、statsmodel等Python packages (庫)。另外，本課程還會傳授量化部門面試求職技巧，幫助求職者拿到理想工作offer。
課程標的
1. 熟練掌握Python語言
2.掌握Python金融資料處理分析技能
3.基本量化交易策略學習與Python實現
4.機器學習理論與Python實現
5.機器學習於量化交易的應用與Python程式化實現
6.掌握投行Python衍生品定價
7.傳授面試求職技巧, 改進簡歷，如何在求職面試中求勝，拿到Dream Company的offer
摩根斯坦利紐約總部量化金融部門—— Diana
紐約大學數學金融碩士學位。就業於摩根斯坦利紐約總部量化金融部門，主要從事algorithm trading ，stock volume預測，機器學習研究，固定收益和外匯定價建模以及衍生品定價。建立了利率和外匯的定價模型和股票的統計套利模型，對銷售及交易類資料作機器學習分析有獨到的研究。
她為公司trading book的重要變數建立系統化自學習建模框架，為每個季度的資金計劃提供指導性統計資料。還聯立了卡爾曼濾波模型和時間序列模型為大單交易量做出預測，為交易員提供交易建議。利用摺積神經網路模型對公司的高凈值客戶的理財投資預期資料進行預測學習，為下一個年份的投資量做出量化指導。
Diana還在她所在的部門擔任面試主管，為候選人進行面試。對分享自己的經歷和幫助他人獲得事業上的成功有著強烈的熱情。她有3年在美國學生設計實習專案的指導經驗，幫助學生完善他們的簡歷，準備面試，併在金融行業取得成功。
我們的講師和學員來自於：
課程報名
長按識別二維碼即可報名哦
有任何問題都可以諮詢陸家嘴學堂助教jrygx005
課程內容
第一節 Algorithmic Trading In Python Overview（Python量化交易概述）
課程介紹overview
1.what is algo-trading? Compare to retail traders
（對於散戶來說，量化交易是什麼？）
2.why Python? Python notebook簡介
（Python應用於量化交易的優勢）
3.交易系統簡介
4.Python for finance常用packages : numpy, scipy, pandas, statsmodel, scikit-learn, matplotlib
（Python在金融中的應用以及各種庫函式）
5.量化交易的就業分析和職業發展
第二節 Python for Finance 常用packages 學習I
1.學習資料分析基礎 library （庫） — NumPy:
● Creating Arrays（建立陣列）
● Using Arrays and Scalars（使用陣列和標量）
● Indexing Arrays（索引陣列）
● Array Manipulation（陣列操作）
● Array Functions（陣列函式）
2.學習資料分析高階 library – Pandas:
● DataFrames and file reading（DataFrames和檔案閱讀匯入）
● Index and Reindex Objects, Index Hierarchy（索引和索引命令物件,索引的層次結構）
● Select/Drop Entry（選擇/刪除條目）
● Data Alignment, Rank and Sort、Handling missing data（資料對齊、等級和排序，處理缺失資料 ）
● Summary Statistics（彙總統計）
3. 統計分析和最最佳化 library—scipy
● Optimization（最佳化）
● Statistical test（統計檢驗）
● Linear algebra-linalg （線性代數）
4. 畫圖 library—matplotlib
● How to plot basic graphs for different types
（如何繪製基本圖形為不同的型別）
● How to plot multiple graphs and do arrangement
（如何繪製多個圖形併進行排列）
● Advanced plotting
（高階繪圖/資料視覺化）
第三節 Python for Finance 常用packages 學習 II
1.統計模型library–statsmodel
● Regression and generalized regression models
（回歸和廣義回歸模型）
● Time series analysis （時間序列分析）
● Statistical test（統計檢驗）
● Distributions （分佈）
2.金融資料處理
● Frequency of data（資料的頻率）
● How to source data from Bloomberg、Yahoo Finance and so on
（如何得到源資料）
● Data quality check and cleaning(smooth, seasonality adjustment, fill-forward and so on)（資料質量檢查和清理）
第四節 金融資料建模與預測/風險測度因子
1.Statistical learning and techniques overview
（統計學習和技術概述）
2.Financial time series analysis
（金融時間序列分析）
3.Forecasting measures and techniques overview
（預測措施和技術概述）
4.Performance evaluation and risk measures
（績效評估和風險評估度量）
第五節傳統量化交易策略和Python實現
1.Event-driven trading strategies and implementation
（事件驅動的交易策略和實施）
2. Statistical trading strategies and implementation
（統計交易策略和實施）
● Moving-average trade（移動平均交易）
● Pair trading （配對交易）
3. Parameter optimization（引數最佳化）
● Overfitting and cross-validation（過度擬合和交叉驗證）
● Grid search（網格搜尋）
第六節 高階量化交易策略 I—貝葉斯模型
1.Advance algorithmic trading overview
（高階演演算法交易概述）
2. What is Bayesian statistics
（什麼是貝葉斯統計）
3. Bayesian Inference methods
（貝葉斯推理方法）
4. Markov Chain Monte Carlo
（MCMC 馬科夫鏈門特卡羅）
5. Linear regression model based on Bayes
（基於貝葉斯的線性回歸模型）
6. Bayesian stochastic volatility model
（貝葉斯隨機波動模型）
7. Python舉例和模型程式碼實現
第七節 金融時間序列分析-I
1.序列相關係和random walk
（隨機遊走）
2.平穩時間序列模型-AR/MA/ARMA
（波動率預測模型）
3.非平穩時間序列模型-ARIMA/異方差模型-GARCH
第八節 金融時間序列分析-II
1.State-model and Kalman filter
（狀態模型和卡爾曼濾波 ）
● Kalman filter theory
（卡爾曼濾波器理論）
● Application to regression and pair trading in Python
（卡曼濾波器在回歸及配對交易方面的應用）
2.Hidden Markov Models
（隱式馬科夫模型）
● HMM theory （HMM理論）
● Application to market regime detection in Python
（HMM在市場機制判定/探測的應用）
第九節 機器學習於量化交易中的應用I
1.Introduction to machine learning
（機器學習介紹）
2.Linear regression and MLE
（線性回歸和MLE）
3. Decision Tree（決策樹）
● Entropy and information gain theories （熵與資訊理論基礎）
● Pruning the tree （演演算法最佳化-減枝）
● Advanced tree methods—bagging, boosting, random forest and son on （高階樹形理論）
4. Python implementation
（如何用Python實現）
第十節 機器學習於量化交易中的應用II
1.Introduction to Support Vector Machine
（支援向量機的介紹）
● Maximum margin classifier（最大邊緣分類器）
● Linear SVM（線性支援向量機）
● Kernel function and higher dimension mapping（核函式與高維資料投影）
2. Cross-Validation for model selection
（交叉驗證的模型選擇）
● Leave one out （留一驗證）
● K-fold
● Bias-variance trade-off （偏差-方差的折中）
第十一節 機器學習於量化交易中的應用III
1.Introduction to Clustering
（介紹叢集 聚類）
● Clustering theory
（叢集理論 聚類）
● Implementation to financial market
（在金融領域的應用）
2. Neural network
（神經網路）
● Introduction to artificial neural network（人工神經網路）
● Introduction to recurrent neural network（遞迴神經網路）
3. Unsupervised dimensional reduction techniques
（非監督降維技術）
● PCA/CCA
● Implementation to financial market
（在金融領域的應用）
第十二節 機器學習於量化交易中的應用IV
1. Introduction to QS Trader in Python
● QS Trader overview （QS Tader概況）
● QS Trader for backtesting （利用XXX的回測）
2. ARIMA+GARCH Trading
（XXX交易）
● Strategy on Stock Market （股票市場策略）
● Indexes Using R （用R語言做什麼不明白問老師）
3. Cointegration-Based Pairs Trading using QSTrader
（基於QSTrader的協同一體化/結合下的配對交易）
4. Kalman Filter-Based Pairs Trading using QSTrader
（基於QSTrader的卡曼濾波配對交易）
5. Supervised Learning for Intraday Returns Prediction using QSTrader
（利用監督學習預測日間交易回報）
第十三節 Python for ODE PDE numerical methods (Python for 偏微分方程數值解)
1.ODE examples in Finance
(常微分方程金融例子)
2.Forward Backward Crank-Nicholson Methods for ODE
（向前向後CN方法）
3.Explicit Implicit and CN methods for PDE
(顯式隱式CN方法)
4.Option pricing examples for PDE
(偏微分方程期權定價例子)
第十四節 Python衍生品定價-I
1. 蒙特卡洛模擬基礎
2. 常見隨機過程離散化
3. European Option（歐式期權）蒙特卡洛模擬定價
4. Exotic option
（奇異期權定價）
5.Least-square monte-carlo for American option pricing
(最小二乘蒙特卡羅對美式期權定價)
第十五節 Python衍生品定價-II
1.Common variance reduction techniques for Monte-Carlo and application to option pricing
(常見蒙特卡羅方差降低方法與期權定價)
2.Importance sampling and change of measure
(重點抽樣級數和測度變化)
3.Incremental risk charge model and Gaussian Copula for credit risk
(信用風險的IRC模型和高斯核)
第十六節 Quant （寬客）求職面試和職業規劃
如何高效地透過面試，成為一名優秀的量化分析師。
1.Quant（寬客）職位要求和招聘特點
2.剖析招聘流程／求職準備時間表
3.如何準備一份高命中率的簡歷
4.知識改寫點和如何準備面試
5.電話面試和on-site面試註意事項
課程試聽
長按識別二維碼即可試聽哦
本次課程適合的人群
-
金融工程專業背景的同學/工作人士，希望能夠在課本之外工作之餘進一步瞭解Python在金融市場的實戰應用
-
非金融工程專業背景的同學/工作人士，希望能夠系統性瞭解量化投資以及在投資中的實際應用
-
在證券公司/基金/銀行/期貨公司/交易所等相關領域工作的職場人士，希望進一步提升自己的競爭力
-
希望透過學習系統掌握量化投資相關的實務技能，為後續跳槽/轉行做必要的知識技能準備與提升
課程反饋
// 課程詳情 //
課程單價：原價1099元，前88名報名優惠200元
開課時間：每週六晚上8：00~9：30、每週更新兩節課
每節課時長：60分鐘左右、部分內容時長可能超出。
課時：共計16個課時
課程形式：錄播影片 & 社群互動 &微信群答疑
有同步課件可以下載，一次付費永久觀看。
學習形式：
線上影片：透過微信服務號（陸家嘴學堂）收聽
作業：每次課程更新後，將透過服務號釋出實戰作業
聽課形式：手機、電腦均可直接登入聽課
聽課方式：
報名後可在“陸家嘴學堂”-“學堂頻道”-“頻道首頁”-“Python摩根課程”。課程專欄中的“課程後續操作指南”會指示操作進行掃碼驗證入群，加入班級群後按照班主任提示等待正式開課即可。
課程報名
長按識別二維碼即可報名哦
有任何問題都可以諮詢陸家嘴學堂助教jrygx005
聽課流程：
1. 掃碼支付購買課程
2. 關註公眾號“陸家嘴學堂”
3. 點開公眾號“陸家嘴學堂”裡中間的選單“學堂頻道”，可在課程串列裡找到“Python課程”，點開即可聽課
4. 在“Python課程”的“目錄”裡，有“必讀”，點開即可掃碼進入付費群。（付費群用於同學們交流溝通，不影響正常聽課）
註：
1. 本課程為一次性付款，無需繳納其它任何費用，在第一節課更新後48小時內可申請退款，48小時後不予退款，報名前請謹慎考慮。
2. 如果你有其他相關問題，可以加課程顧問微信(jrygx005)諮詢相關事宜。
