Python金融量化：如何展开学习？

Python金融量化：如何展开学习？

一、笔者自身的学习过程：

• 阅读了相关的Python基础书籍

笔者的入门书

• 在量化和爬虫面前的选择中耽搁了一两个月，最后还是选定量化领域，因为有业务需求以及入门书《量化投资:以python为工具》。

 

• 进行简单的回测，主要是通过单均线交易模式，发现均线交易模式的收益率也就那样。财务分析上没有取得持续数据的可能性也只能让自己更加专注技术分析。
• 然后就考虑怎么生成新的策略，股票公式，网上，自己观察和思考的都觉得要么实现不了，要么部分实现不了，要么就是很简单的，回测效果奇差。
• 然后就引入机器学习，深度学习，神经网络，有监督学习我试过，还行，但是深度学习，神经网络就很考验数学了，在有监督学习逗留太久了，发现有监督学习其实就是一个贝叶斯概率问题的时候，必须要给出先验概率，也就是说你自己必须先证明【达到某种条件】才能触发【某种未来的走势】这样子的一个过程，但是这个【达到某种条件】的先验情况则需要反复测试和调参，市场不乏太多的策略和思想，难以一一实现。
• 就觉得数学以及数学建模是十分重要的，所以就返回去学习高数，这个过程中，一开始是找到高校的一位老师来教，白天我也没空看，晚上讲解中发现讲解太快我消化不了，所以只能再次自学高数，大学时期买的书我都拿回来再看，又看了《托马斯微积分》、《普林斯顿微积分》、《数理统计与概率论》、《概率论》、《线性代数》等等。
• 自学过程中最大的困难就是不知道怎么去问，往往遇到一个问题，可能你的理解能力有限，说出来的和自己查出来的，问出来的就是两个意思，搞得鸡同鸭讲一般不可理喻。最后还是看到《深入浅出统计学》，统计学的认知才出现了飞跃上升的阶段，所以选择好一本书，一本好书，对于学习是非常重要的，认识世界和认识量化的理解上也有突飞猛进的增长。

很不错的入门书籍

• 在对于量化的流程中有稀烂的概念和认知后，就开始着手建立模仿市场的回测框架，一开始是学习网上大拿的学习框架，但是接触backtrader以后才发现自己的错误，部分大拿的回测框架都是设置全局变量然后再遇到事件进行调整和变形，这个已经非常违背常识，加上backtrader的完善，那就是能省一点是一点，解决了很大的问题。
• 在此过程中，发现还必须要进行GUI化等程序化处理，自动化交易，就更加困难，一个是网上的资料这种收费居多，而且价格昂贵，免费的资料比较少，对这方面笔者也不是很清楚，但是也是未来重点之一。因为在过程的中笔者没有注意和重视。
• 未来将是注册制的天下，是T+0的天下，在有强烈预期和业务需求的背景下，学习才能够有持续的动力。

二、感悟：

• 强大的业务需求是解决自学的问题核心，没有对于市场的热爱，没有对于自身能力的清晰认识，就无法建立起强大的自学欲望。
• 刚开始的时候应该以视频教学为主，人就是这样子暧昧的生物，需要看到结果才会去相信你敲出来的东西是真的，虽然很费时间，但是前期的基础一定要打好，毕竟基础这个东西是时刻要用到的。笔者就是对于os等库了解不是太深，所以在后面还返回来学习了一下。
• 对于不懂的东西，尤其是自学的话，需要反复看，反复学习，最好选择一些好的基础性入门教材，这一点来讲《深入浅出统计学》做的非常好。书籍这种东西，知识点这种东西，你只要留心留意，多看多思考，过过脑子，最终还是要形成自己对知识点的理解和消化，成为自己的东西才会融会贯通。
• 业务的展开和知识点的展开是非常重要的，要去市场进行仿生学习和模拟是需要很大的力气和耐力的。笔者也就是吃了这个亏，一直在延展，感觉量化这个大坑越来越大，累觉不爱。

三、来自大佬的建议：

这里主要选取的是《【Python金融量化】零基础如何开始学？》中观点：

• 学习路径：基础知识、数据爬取、文本分析、金融量化、机器学习、深度学习
• 知识结构：
• Python基础知识
• 金融量化常用库学习， 如：Numpy、Pandas、Scipy、Matplotlib等
• 爬虫基本知识+财经网站数据开源库，如：Scrapy、tushare、baostock等
• 文本分析（NLP处理、词云分析、jieba分词）
• 机器学习（sklearn）
• 深度学习（TensorFlow）
• 安装工具：
• anaconda，自带Jupyter Notebook和Spyder。
• 数学基础：
• 微积分，统计学与概率论，线性代数以及数学建模