量化金融资源

课程、文章及其他众多资源，可帮助初学者或专业人士。

“金融本质上是细节的集合，而能够将这些细节系统化、分类化并聚焦于关键点，本身就是一大优势。”——迈克尔·伯里

这些资源专为理工科毕业生设计。大多数课程以数学或编程为主，学习时请自担风险。

关于我

我在一家专注于印度股票与期货市场的高频交易公司担任量化交易员。我曾在印度理工学院马德拉斯分校攻读汽车工程硕士（M.Tech）和学士（B.Tech）学位。

课程与讲座

注： 下文列出的课程均不涉及Coursera或YouTube上的大众化课程，因为那些课程面向所有人开放（无论你是医生还是律师，只要感兴趣都可以报名）。我不希望你把时间浪费在这些泛泛而谈的课程上——它们只能让你对主题有个大致了解，却无法带来深入的理解。作为一名工程师，我希望你也同样利用已掌握的数学技能，在这一领域进一步钻研、深入探索，从而开展有意义的工作并推动学科边界不断拓展。

如果你曾上过Udemy的课程，并自称“我懂机器学习”，那我可要拿湿面条抽你一顿了（别介意啊，开玩笑的）。

数学

• 面向程序员的数值线性代数，由fast.ai提供
• 概率导论，由MIT开放式课程平台提供
• 数学专题及其在金融中的应用，由MIT数学系提供 课程页面

人工智能

• 机器学习，由汤姆·米切尔主讲 CMU课程页面
• 强化学习导论，由DeepMind的戴维·西尔弗主讲（AlphaGo、AlphaZero等的创造者） 课程YouTube播放列表

量化金融

• Quantopian Python与统计学讲座 讲座
• 全球金融危机（仅金融部分），由时任美国财政部长蒂莫西·F·盖特纳主讲——非常适合金融初学者或对危机分析感兴趣的人。Coursera课程
• 市场微观结构导论，由保罗·贝松主讲（保罗曾任泛欧交易所量化研究部门负责人） 讲座页面

编程

Python

• （书籍）《Python金融实战》：用Python分析海量金融数据，作者伊夫·希尔皮施（Citadel推荐）

C++

• （书籍）《加速C++》，作者安德鲁·柯尼希与芭芭拉·E·穆（适合已有良好编程基础且熟悉面向对象编程的用户，如Python或Java开发者）
• （书籍）《Effective Modern C++》，作者斯科特·梅耶斯

书籍

数学

• 统计学（第4版），作者大卫·弗里德曼、罗伯特·皮萨尼、罗杰·珀维斯（Citadel推荐）
• 如何用统计数字撒谎，作者达雷尔·哈夫（探讨如何通过图表操纵人类认知的有趣著作）
• 战略思维，作者阿维纳什·迪克西特与巴里·纳勒布夫（博弈论经典著作，Citadel推荐）
• 金融时间序列分析，作者鲁伊·S·蔡（非常适合时间序列分析）

人工智能

• 深度学习，作者伊恩·古德费洛等
• 强化学习导论，作者萨顿与巴托

量化金融

• 期权、期货及其他衍生品，作者约翰·C·赫尔（Citadel推荐）
  • 首先需要对金融市场有扎实的理解（不是专业级的精通，但至少要能看懂）
• 金融机器学习前沿，作者马科斯·洛佩斯·德·普拉多
• 金融微积分：衍生品定价入门，作者马丁·巴克斯特（曾任职于雷曼兄弟与野村证券的量化部门）

文章

• 破解赛马密码的赌徒，发表于彭博商业周刊 链接
• 数学之镜下的学习与理解，第1、2章，作者米沙·格罗莫夫 可在此查阅
• 高频跨市场交易：无模型测量与应用（对美国高频交易市场及网络的精彩解读）演示文稿PDF

论文

• 用庄家自己的数据击败庄家——以及在线体育博彩市场是如何被操控的 论文
• 机器学习在交易中的应用，作者戈登·里特 论文（探讨强化学习在金融领域的落地实践）
• 深度对冲，作者汉斯·布勒等（来自摩根大通伦敦办公室的量化团队） 论文
  • 这篇论文已被摩根大通实际应用 文章
  • 利用强化学习对普通场外衍生品进行对冲
• 订单簿动态的随机模型，作者拉马·孔特等 论文
• 马尔可夫极限下单市场中的价格动态，作者拉马·孔特等 论文

心理学

• 权力的48条法则，作者罗伯特·格林

博客

• Fast AI，提供超赞的课程与博客
• http://koaning.io/，作者文森特·D·瓦默达姆（将简单数学应用于机器学习）
• Colah的博客，作者克里斯托弗·奥拉（曾就职于OpenAI与Google Brain）
• 量化交易，作者E P Chan（著有多本关于机器交易与算法交易的书籍）
• Distill研究期刊，专注于以交互式可视化呈现的机器学习算法研究论文，便于理解
• 塞巴斯蒂安·鲁德尔的博客，作者塞巴斯蒂安·鲁德尔（DeepMind的研究科学家，专注自然语言处理研究）
• Systematic Edge，专注于高频交易做市与相对价值策略，芝加哥的算法交易员
• SNIPER IN MAHWAH & FRIENDS，关注高频交易网络与延迟问题的博客
• 量化研究与交易，作者乔纳森·金莱（经济学博士，曾任纽约大学斯特恩商学院与卡内基梅隆大学教授）
• 应用概率笔记，作者尼尔·沃尔顿（博士，曾任曼彻斯特大学概率与统计组负责人）——应用概率是优化、博弈论、动态规划与强化学习的核心主题

面试准备

• 概率与市场，作者：Jane Street pdf

附注：我的语法不太扎实，也有人指出这里错别字太多，不过我也没去修改……毕竟这是开源的嘛……

Quant-Finance-Resources 快速上手指南

面向 STEM 背景、希望深入量化金融的开发者。本指南仅列出“如何最快把资料跑起来”，不涉及具体策略实现。

---

环境准备

• 系统：Windows 10 / macOS 12+ / Ubuntu 20.04+
• Python：3.9+（推荐 Miniconda）
• C++ 编译器（可选，阅读 C++ 资料时用）：
  • Windows：Visual Studio 2022 Build Tools
  • macOS：xcode-select --install
  • Ubuntu：sudo apt install build-essential

---

安装步骤

1. 克隆仓库

   git clone https://github.com/<user>/Quant-Finance-Resources.git
   cd Quant-Finance-Resources
   

2. 创建并激活虚拟环境

   conda create -n qf python=3.10
   conda activate qf
   

3. 安装常用依赖（一次性搞定）

   pip install -r requirements.txt
   

   若仓库未提供 requirements.txt，可手动安装核心包：

   pip install numpy pandas scipy matplotlib jupyter yfinance zipline-reloaded
   

4. 国内加速（可选）

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
   

---

基本使用

1. 快速跑通 Quantopian Lectures

jupyter notebook
# 浏览器打开后，进入 lectures/ 目录，双击任意 .ipynb 即可

2. 验证数据获取（以 yfinance 为例）

import yfinance as yf
df = yf.download("RELIANCE.NS", start="2023-01-01", end="2023-12-31")
print(df.head())

3. 运行示例策略（zipline-reloaded）

from zipline import run_algorithm
from zipline.api import order_target_percent, symbol
import pandas as pd

def initialize(context):
    context.asset = symbol('RELIANCE')

def handle_data(context, data):
    order_target_percent(context.asset, 1.0)

start = pd.Timestamp('2023-01-01', tz='utc')
end   = pd.Timestamp('2023-12-31', tz='utc')

result = run_algorithm(start=start, end=end,
                       initialize=initialize,
                       handle_data=handle_data,
                       capital_base=100000,
                       bundle='nse_daily')
print(result.tail())

提示：首次运行 zipline ingest -b nse_daily 下载印度市场日线数据（需科学上网）。

---

完成以上三步即可开始阅读仓库中的课程、书籍与论文，并运行示例代码。