一、课程定位与学习路径
本套教程定位为数据挖掘与量化分析方向的进阶实战课程，面向已具备Python基础、希望系统掌握数据可视化、科学计算及金融数据分析技能的学员。课程以“工具→方法→实战”为递进逻辑，从最基础的统计图表绘制起步，逐步深入到NumPy数组运算、Pandas数据处理，最终落地于股票市场量化策略的构建与回测，形成完整的数据分析闭环。全系列采用Jupyter Notebook交互式教学，共11个章节，涵盖66个视频讲解单元，各环节紧密衔接，适合有志于从事数据分析、量化投资或金融科技领域的开发者系统学习。
二、数据可视化基础模块（第1–2章）
1. Matplotlib绘图体系构建
折线图专项：从课程导论与环境搭建（Jupyter安装与使用）切入，系统讲解Matplotlib绘图架构。以温度数据可视化为例，逐步演示刻度设置、中文显示、坐标轴标签、标题与图例的添加，并扩展到多坐标系布局，最后总结折线图的典型应用场景（如趋势分析）。
统计图表全掌握：通过电影票房对比（柱状图）、市场分布（直方图）、排片占比（饼图）等真实案例，覆盖常用统计图形的绘制方法，并补充作业讲解与功能拓展，夯实基础可视化能力。
三、科学计算与数据处理核心库（第3–8章）
2. NumPy数组计算与股票数据预处理
基础与运算：介绍NumPy的优势、数组属性（形状、维度）、自定义数据类型及多种创建方式，并深入理解正态分布。随后以股票涨跌幅数据为载体，实战演练数据创建、形状转换、逻辑运算与统计运算。
高级操作：讲解数组与矩阵的区别、数组间的算术运算，以及数组的分割与合并，为后续大规模金融数据处理打下高效计算基础。
3. Pandas数据清洗与统计分析
数据结构与索引：系统讲解Pandas的两大核心数据结构（Series与DataFrame），涵盖索引修改、切片操作与排序方法。
统计计算与文件IO：演示统计运算（均值、方差等）、累计计算（如股票涨跌幅累积收益）、逻辑与算术运算，并重点讲解文件读取（CSV/Excel）、缺失值处理及数据离散化（分箱）技术。
数据整合与分组聚合：包括哑变量矩阵合并、DataFrame合并（merge/join）、交叉表与透视表的构建，以及分组聚合（groupby）操作，实现多维度数据汇总。
四、量化金融实战模块（第9–11章）
4. 金融市场基础知识与时间序列分析
金融入门：讲解金融市场基本概念、股票基础知识及数据组成（开盘价、收盘价、成交量等），并介绍除权数据的含义及数据重采样方法。
时间序列处理：深入Pandas时间序列操作（生成时间范围、偏移量应用），计算移动平均线（SMA）、加权移动平均线（WMA）与指数平滑移动平均线（EMA），以及移动方差、标准差，并通过相关系数与散点图分析变量间关系，最后完成平均线数据的持久化保存。
5. 量化策略构建与模拟交易
技术指标与策略设计：介绍投资技术分析方法（基本面与技术面），重点实现双均线策略及MACD指标的计算与绘图，并编写基于MACD的交易信号策略。
RSI指标与综合策略：结合RSI（相对强弱指标）与MACD构建复合过滤策略，提高信号可靠性。
策略回测与模拟交易：完整演示策略回测流程（评估收益、夏普比率等），并模拟真实交易过程（买卖点记录、资金管理），最后进行全局总结，帮助学员将理论知识转化为可执行的交易系统。
五、课程特色与学习建议
案例驱动：所有技术点均以股票数据为贯穿案例，避免纯理论空谈，学完即可独立分析金融时间序列。
工具链完整：涵盖Matplotlib、NumPy、Pandas三大数据分析库，并融合金融指标计算与可视化，符合工业界标准流程。
实战闭环：从数据获取、清洗、计算、可视化到策略编写与回测，形成完整的数据挖掘到决策链路。
建议学员按章节顺序学习，每章完成后动手复现案例代码，并尝试替换为其他金融标的（如基金、期货）进行拓展练习。本教程适用于数据科学岗位面试准备、量化投资入门及项目经验积累，是通往高级数据分析师或量化研究员之路的优质实战指南。
评论0