├─第1章-课程介绍与学习指南
│ 1-1量化交易开发课程导学.mp4
│
├─第2章-初识量化交易-必知的量化交易基础
│ 2-1初识量化交易(上).mp4
│ 2-2初识量化交易(下).mp4
│ 2-3量化交易开发流程.mp4
│ 2-4量化交易分类–交易产品.mp4
│ 2-5量化交易分类–盈利模式.mp4
│ 2-6量化交易分类–策略信号.mp4
│
├─第3章-进军量化交易开发第一课-基本的股票交易维度和概念
│ 3-1股票基本概念（上）.mp4
│ 3-2股票基本概念（下）.mp4
│ 3-3股票行业分类.mp4
│ 3-4影响股价因素.mp4
│ 3-5股票交易基础知识.mp4
│ 3-6基本选股及量化思想下的选股.mp4
│ 3-7股票交易必懂-择时.mp4
│ 3-8量化交易平台.mp4
│
├─第4章-量化交易开发Numpy应用-股价分析实战
│ 4-1基于Numpy股价统计分析实战.mp4
│ 4-2基于Numpy股价均线实战.mp4
│
├─第5章-量化交易开发Pandas应用-股票分析实战
│ 5-1基于Pandas股票时间序列分析实战.mp4
│ 5-2基于Pandas实现K线图.mp4
│
├─第6章-量化交易开发Matplotlib应用-股票技术分析实战
│ 6-1基于Matplotlib实现MACD.mp4
│ 6-2基于Matplotlib实现KDJ.mp4
│
├─第7章-量化策略编写-python量化交易编程第一步
│ 7-1股票量化交易策略核心函数组成.mp4
│ 7-2设置函数应用实战.mp4
│ 7-3定时函数应用实战.mp4
│ 7-4交易函数应用实战.mp4
│ 7-5量化交易策略实战–交易对象.mp4
│ 7-6量化交易策略实战–策略信息.mp4
│ 7-7量化交易策略实战–账户信息.mp4
│
├─第8章-量化交易的前提-python量化交易数据获取
│ 8-2量化交易数据获取–财务数据.mp4
│ 8-3量化交易数据获取–成分股.mp4
│ 8-4量化交易数据获取–标的信息.mp4
│ 8-5量化交易数据获取–交易数据.mp4
│
├─第9章-股市投资第一步-python基本面量化选股iclass=n
│ 9-1量化选股–量化选股概况.mp4
│ 9-2量化选股–营收因子选股.mp4
│ 9-3量化选股–财务因子选股.mp4
│ 9-4量化选股–规模类因子选股.mp4
│ 9-5量化选股–价值类因子.mp4
│ 9-6量化选股–质量类因子.mp4
│
├─第10章-python量化择时–技术指标函数
│ 10-1 量化择时基本概念.mp4
│ 10-2 趋向指标上–MACD、EMV、UOS(一).mp4
│ 10-3 趋向指标上–MACD、EMV、UOS (二).mp4
│ 10-4 趋向指标中–GDX、JS.mp4
│ 10-5 趋向指标下–MA、VMA.mp4
│ 10-6 反趋向指标–RSI、WR与KDJ.mp4
│ 10-7 压力支撑指标函数.mp4
│ 10-8 量价指标函数.mp4
│
├─第11章-python量化交易–策略回测实现
│ 11-1 量化交易策略回测流程.mp4
│ 11-2 MACD指标量化策略.mp4
│ 11-4 量化策略风险指标–Alpha、Beta与夏普.mp4
│ 11-5 量化策略风险指标–索提诺比率、信息比率与策略波动率.mp4
│ 11-6 量化策略风险指标–基准波动率与最大回撤.mp4
│
├─第12章-python量化交易–因子分析
│ 12-1 量化因子分析–因子分析概述.mp4
│ 12-2 量化因子分析–自定义因子实战.mp4
│ 12-3 量化因子分析–因子分析结果.mp4
│ 12-4 量化因子分析–alpha因子实战.mp4
│
├─第13章-python量化交易策略实战案例
│ 13-1 量化交易策略实战案例–双均线策略.mp4
│ 13-10 量化交易策略实战–大小盘轮动策略（上）.mp4
│ 13-11 量化交易策略实战–大小盘轮动策略（中）.mp4
│ 13-12 量化交易策略实战–大小盘轮动策略（下）.mp4
│ 13-13 量化交易策略实战–逆三因子量化交易策略-策略详解.mp4
│ 13-15 量化交易策略实战–逆三因子量化交易策略-小结.mp4
│ 13-2 量化交易策略实战–KDJ策略.mp4
│ 13-3 量化交易策略实战–MA-RSI策略（上）.mp4
│ 13-4 量化交易策略实战–MA-RSI策略（下）.mp4
│ 13-5 量化交易策略实战–能量型量化交易策略.mp4
│ 13-6 量化交易策略实战–BOLL量化交易策略.mp4
│ 13-7 量化交易策略实战–新能源股票轮动量化交易策略.mp4
│ 13-8 量化交易策略实战–低估值量化交易策略（上）.mp4
│ 13-9 量化交易策略实战–低估值量化交易策略（下）.mp4
│
├─第14章-量化交易开发就业指南
│ 14-1 量化交易开发就业指南–职业发展空间（上）.mp4
│ 14-2 量化交易开发就业指南–职业发展空间（下）.mp4
│ 14-3 量化交易开发就业指南–逻辑推理面试题（上）.mp4
│ 14-4 量化交易开发就业指南–逻辑推理面试题（下）.mp4
│ 14-5 量化交易开发就业指南–概率统计面试题.mp4
│ 14-6 量化交易开发就业指南–编程算法类面试题.mp4
│
└─课件.zip
有需要联系v；加客服窗口的联系方式
摘要：本文深入探讨Python量化交易工程师的养成之路，从实战角度出发，分析金融高薪领域的职业发展，旨在为有志于投身量化交易行业的读者提供全面指导。
1、技能储备
Python量化交易工程师需要具备扎实的编程基础，熟练掌握Python编程语言。此外，对金融学、统计学、经济学等相关知识也要有深入了解。在实际工作中，工程师需要运用这些知识进行数据分析和模型构建，从而实现量化交易策略。
量化交易工程师还需要熟悉常用的金融工具和交易平台，如股票、期货、期权等。同时，掌握金融衍生品定价模型、风险管理方法等也是必不可少的技能。
此外，量化交易工程师还需具备良好的数学和逻辑思维能力，能够快速处理大量数据，并从中发现规律和机会。
2、实战经验
实战经验是Python量化交易工程师不可或缺的能力。在实际操作中，工程师需要不断优化交易策略，提高交易效率。以下是一些实战经验要点：
1）熟悉交易策略：工程师需要了解各种交易策略，如趋势跟踪、均值回归、动量策略等，并根据市场情况选择合适的策略。
2）风险管理：在实战中，工程师要注重风险管理，合理设置止损、止盈等参数，降低交易风险。
3）数据分析和处理：工程师需要具备较强的数据分析和处理能力，能够从海量数据中提取有价值的信息，为交易决策提供支持。
3、职业发展
Python量化交易工程师在金融高薪领域的职业发展前景广阔。以下是一些职业发展方向：
1）量化分析师：负责研究市场趋势，设计交易策略，为投资决策提供支持。
2）量化研究员：从事金融衍生品定价、风险管理等领域的研究。
3）量化交易员：直接参与交易，实现投资收益。
4、行业趋势
随着金融科技的快速发展，Python量化交易工程师在金融高薪领域的需求日益增长。以下是一些行业趋势：
1）人工智能：人工智能技术在量化交易领域的应用越来越广泛，如机器学习、深度学习等。
2）大数据：大数据技术在量化交易中的应用，有助于工程师从海量数据中挖掘有价值的信息。
3）云计算：云计算技术为量化交易提供了强大的计算能力，有助于提高交易效率。
总结：
Python量化交易工程师在金融高薪领域的职业发展前景广阔，但需要具备扎实的技能储备、丰富的实战经验和敏锐的行业洞察力。通过不断学习和实践，工程师可以在这个领域取得优异成绩。
本文由nayona.cn整理
该网站所有的联系方式，都是工作人员微信，加不上就联系其他号， 联系我们v；shuij56
