← 返回目录
q0.9收尾⏱ 约 6 分钟

你的下一步:资源与方向地图

想往深走?这是一张标了坑的手绘地图(可选)

🔎 最后验证 2026-07🧰 开源生态举例:akshare / tushare(数据)、backtrader / qlib(回测/框架)——以各自官方当前为准✅ 11 人学过
为什么学这个

还记得第 1 节那个追涨杀跌、年底账户瘦一圈的老王吗?

假设老王也认认真真听完了这门课,现在挠着头来问你:「道理我全懂了——分母、回测、AI 不是神……那我到底该干嘛?」

这一节,就是回答老王(和你)的临别礼物:一张手绘地图,标了几条路、几个"此处有坑",还有一句老师的真心话。如果你只想"看懂 AI 量化是怎么回事",到 q0.8 就够了,这节可看可不看;但只要你动了"我想真学"的念头,往哪迈、别踩哪,我得给你交代清楚。

💡 打个比方

把这节想成出师前老师塞给你的一张手绘地图:上面不光画了路,还用红笔圈了几个"这里掉过很多人"的坑。地图不替你走路,但能让你少走弯路、少踩雷

一、最该先补的,其实是「编程」

先说一句可能扫兴但最实在的话:真正的量化实操,离不开代码(主要是 Python)。

前面的 q0.1–q0.8 是认知地基,纯无代码没问题。但一旦你想自己处理数据、写因子、跑回测,看不懂、写不了代码,你就只能"抄别人的策略"——而抄一个你看不懂的东西,等于把命又交回给别人,回到被割的状态。

所以对很多新手,性价比最高的下一步不是急着学量化,而是先把编程基本功打扎实。本站的 《从零学会 AI 编程》入门课 就是为这个准备的——零基础也能跟,敲完你就有了看懂策略代码的底子。

二、往深走的方向地图

按 q0.7 的三种玩法,各有一条路;下面的工具都是开源生态里的常见名字,认识用途即可,不神化、不推荐你必须用哪个:

想深入哪块往哪走(方向)常见开源工具(举例)门槛
拿数据先解决"数据从哪来"akshare / tushare(A股等国内数据)
跑回测学会把策略在历史上跑一遍backtrader 等回测库
系统做 AI 量化一体化的因子→模型→回测流程qlib(微软开源 AI 量化框架)中高
经典机器学习因子 + 树模型/回归通用 ML 生态(如 scikit-learn)
深度 / 强化学习神经网络、RL(q0.7 说的高段位)深度学习框架生态

具体工具的功能、接口、是否免费都可能变——用之前以各自官方当前说明为准

三、一条给新手的稳妥路径

不用一口吃成胖子,按这个顺序走最稳:

  1. 打地基:补 Python 基本功(看不懂代码,后面全是抄)。
  2. 解决数据:用 akshare / tushare 之类拿到能练手的公开数据。
  3. 学回测、盯着三个坑:用回测库跑最简单的想法,全程盯死 q0.5 的未来函数 / 过拟合 / 幸存者偏差,并做样本外检验
  4. 要动真钱,先模拟、再最小额闲钱(q0.8 那套救生衣别脱)。
  5. 全程带着怀疑精神:每一步都问"这数字可信吗?我是不是在背答案?"

🎁 好消息:第 2~4 步不用出门自学了。本课的 Q1 实战章(q1.1 起,共 12 节) 会手把手带你把这条路走完:搭环境、用 akshare 拉真实数据、跑 backtrader 回测、亲手复现三坑、直到 30 天模拟盘毕业——每节都有实测可跑的代码。后面还有 Q2「钱的常识」(复利/费用/骗局图鉴)。你要做的只剩第 1 步(编程地基)和第 5 步(怀疑精神),前者编程课管,后者你已经有了。

⚠️ 避坑⚠️ 别跳过编程,直接抄一个你看不懂的策略

网上到处是"复制即用"的量化代码。你抄得来代码,抄不来判断力。 一个你看不懂的策略,你既不知道它有没有偷看未来、有没有过拟合,也不知道它什么时候会失效——出了问题你连哪里错了都找不到。

看懂 > 跑通。 宁可自己慢慢写一个简单的、你完全理解的,也别抄一个漂亮的、你完全不懂的。

⚠️ 避坑开源框架(qlib / backtrader…)不是印钞机

装上 qlib、跑通 backtrader,不等于你就有了赚钱的策略。框架只是把"跑回测"这件事变方便了,它一个坑都不会自动帮你避——回测照样会骗你(q0.5 那三招,框架里全都能犯)。工具越顺手,越要提醒自己:方便,不等于正确。

❓ 测验
一个零基础的新手,学完这门课后最该迈的『下一步』是?
✏️ 填空
临别记一条路标——对量化实操,『看懂』永远比『跑通』重要;宁可自己写一个你完全 ___ 的简单策略,也别抄一个你完全不懂的漂亮策略。

📌 免责:本课自始至终是技术科普,本节资源仅作学习方向参考,不构成任何投资建议,也不推荐任何具体工具、平台、数据源或市场;工具信息以官方当前为准,投资有风险,盈亏自负。

✅ 小结

🎉 到这里,Q0 科普篇(认知地基)九节走完了

我没教你任何"赚钱的招",这不是藏私,而是因为——这个世界上并没有"确定赚钱的招",谁说有,谁就在割你。 这九节给你的、也是最值钱的,是一整套 "不被割"的清醒:

分辨真假看「规则还是感觉」;看到晒盈利先找分母;完美回测先怀疑;AI 是助理不是预言家;先活下来,再谈赚钱。

只想「看懂 AI 量化」的同学,到这里可以安心毕业——祝你,永远做那个清醒的人。🫡

而如果你手痒了,想亲手跑一遍——Q1 实战章在下一节等你:12 节带可运行代码,从搭环境、拉真实数据,到跑回测、亲手复现"回测怎么骗人",最后 30 天模拟盘毕业。上面那张地图的每一步,我们一起走。

下一节 → Q0 科普篇完结 · Q1 实战章:搭好你的量化工作台
🔎 来源与核验· 3 条,点开核对
本节每个关键论断都对应一个可追溯的来源 —— 这是本课程"靠谱、不过时"的底线。
「量化实操通常需要编程(Python)能力;数据获取常用 akshare/tushare 等国内可得数据源」
📚 量化工程实践通识 / 创作宪法数据源约定✓ 已核验 2026-07
「backtrader 为常见开源回测库;qlib 为微软开源的 AI 量化研究框架」
📚 相关开源项目公开资料(以各自官方当前为准)✓ 已核验 2026-07
「开源框架仅降低工程门槛,不消除回测三大偏差(未来函数/过拟合/幸存者偏差)」
📚 承接 q0.5 回测方法学✓ 已核验 2026-07
本节为学习方向的科普导流;所列工具/数据源仅为生态举例、不构成推荐,具体以各自官方当前说明为准;不含任何具体标的或买卖建议。
智图软件的赞赏码
都看到这了,打个赏呗!
接下来 · q1.1
搭好你的量化工作台
继续读下一节 →