星球社群里，一大部分的成员是做python开发经验的金融爱好者，可能是社群名字是“AI量化实验室”的原因。不过做量化本身就需要开发背景，最好还懂一点金融工程。当然了，作为工程师而言，要从零学金融工程也并非特别难的事情。
这里提醒了我一点，如果能大众讲课，不能动不动就把python拿出来，尽管这门语言确实简单，但对于非科班出身的人而言，人家还是用不着。若涉及一些分析计算，我想需要用excel来完成更合适。
一、投资里能不能找到“圣杯”——确定性？
我想很多人最关心的一个问题。我们要心力去做一件事情，当然想知道，如果没做好，是努力不够呢，还是此事本不可行。从这个角度看过去，美国第一个造出原子弹，这个相当厉害的，后面的国家不用关心到底行不行，只需要安心算你的参数就好了。
但科技史上也出现过“炼金术”，”永动机“这样的概念——关键很搞笑的事情是，很多人把量化叫”金额炼金术“，想造”投资永动机“——要知道，这俩东西在逻辑上不成立，再努力也是徒劳。
金融上有没有像物理世界，数学世界这样的确定性？
——机械定律不存在，但以概率形式存在的确定性。——这是矛盾吗？不是概率在多次重复之后，会收敛于”大数定律“。这就是确定性。
理解资产的风险、收益指标；
”资产长期向上“，”低相关可以有效降低风险“。
二、现代投资组合理念：从MVO到风险平价及其变种。
对于大众版本，直接给结果，不必计算与推导。这里会导出一个重要结论——大类资产配置的重要性。也是普通人投资有效性，确定性的基石。
三、基于基金的大类资产。
跨市场、大小市值宽值，固收+、优质主动型基金。它们的风险收益特性。
晨星评级、支付宝”金选“标准。
四、构建一个年化10%，最大回撤不超过10%的大类资产投资组合。
而进阶课，受众会少一些，门槛高一些，会编程，懂金融，甚至讲机器学习等。
一、pandas与量化基金
pandas之于量化确实很重要，也不复杂。pandas就是这量化而生的。
二、从零实现一个量化引擎
亮点在于”因子表达式“，”算子“积木式策略开发，策略模板（比如常用的轮动策略）。
三、现代投资组合理论代码实战：从mvo到风险平价
重点是风险平价的应用，风险平价的一些前沿研究成果，比如层次风险平价等。
四、机器学习在量化投资里的应用。
深度学习、强化学习与投资组合权重分配。
四、构建一个年化20%，回撤不超过20%的”绝对收益型“组合。
这是一个框架，可以把多因子，多模型整合到一起。涉及更多是场内基金，LOF或者ETF等等。
发布者：股市刺客，转载请注明出处：https://www.95sca.cn/archives/104190
站内所有文章皆来自网络转载或读者投稿，请勿用于商业用途。如有侵权、不妥之处，请联系站长并出示版权证明以便删除。敬请谅解！
