感谢AI工具的加持，拖延了多年的博客计划终于可以正式推进了。连AI都对我说，你的轮子已经造的很完整了，可以开始进行研究了。
这些年看了很多文献资料，发现这个领域还真不适合快餐文化，需要多年的专业训练，才能将计算机和金融投资学科的知识融会贯通。虽然vibe coding的实现使很多非计算机课班出身的也能快速搭建一个回测系统，但是，面对如何修改和二开就手足无措了。因此，我根据自己这几年的学习心得，梳理了量化投资两个分支的能力路径图，工程 7 门课， 金融 12 门课，每讲都配可跑的真实代码，目前的规划（强调一下，是规划）是每月一门。另外一条线就是想梳理一分量化投资简史，把这个行业里面的人与事都八一八，最终希望能出一本类似《女生品茶》这样的科普书。
这三条路径，就是未来几年这个博客的主要内容。个人自娱自乐的思考后花园。
一、一个 Quant，两条线
量化不是单一技能，是两条互补的能力线拧在一起：
- 工程线——怎么把机器造出来。 数据 → 算法 → 框架 → 工程化 → 自动化。怎么做、跑得快不快、复现得了吗、能不能上线。工具与方法导向，在碰到 ML4T 之前基本与具体金融无关。
- 金融线——机器加工的对象，金融本身。 市场 → 定价 → 组合 → 风险 → 执行。做什么、假设对不对、定价准不准、风险在哪。判断导向，与用什么工具基本无关。
缺任一条都不是完整的 quant：只懂工程，能把流水线跑通，却判断不了模型假设合不合理、定价对不对、风险藏在哪；只懂金融，能看懂门道，却落不了地、跑不快、三个月后复现不出自己的结果。两条都通，才算完整。
两条线各自的能力塔见分支总图；下面这张是双线融合总图——同一套视觉语言（五色分层、梯形、课程 ID），左金融右工程，中间标出三处交汇：
二、脉络图解读
- 左右两塔各自独立：左边金融线是分层依赖金字塔（下层是上层地基，越往下越通用耐久）；右边工程线是线性技能阶梯（顺序即依赖，别跳级）。层内缩写就是课程 ID，对照第七节的索引查。
- 中间三条虚线是交汇点：① 同一批东西两种进法（ML4T 给实现 · FI/QI 给判断，含回测陷阱 ↔ 数据挖掘）；② 判断与成本曲线回流（EX 第19讲 → AM 第14讲 → 平台规模化）；③ 工程线缺口指回金融实务（执行 EX · 风险 RM+FR · 衍生品 QF）。
- 底部横条是共享主线：数据 → 因子 → 模型 → 信号 → 回测 → 组合 → 执行 → 监控。工程线负责每一环”造出来、跑得动、复现得了”，金融线负责每一环的”判断”。
三、三条路径
- 工程出身（会写代码、跑得动模型，缺金融判断力）：先沿工程线走到 ML4T（②研究层），已经能跑通策略雏形；然后从交汇点横切到金融线补判断——先②理论层（FI/QI 懂因子为什么有效、AP 懂定价），再上④组合层（AM/ER/FR）、⑤实务层（RM/EX）。金融①基础层（INV）当字典按需查，不必从头啃。
- 金融出身（懂理论、懂判断，缺工程落地）：金融线的 ②③④ 层你可能本就熟，重点补工程线——①基础层（OOP/pandas，落地的地基）、②研究层（ML/ML4T，把判断变成能跑的模型）、③平台层（qlib，从脚本到系统）。工程 ④⑤（MLflow/RD-Agent）等你要上线、要自动化时再补。
- 从零起步：别单线到顶，两条线交替爬升，每爬一层就能在共享主线（第六节）上多接通一环：
四、规划内容
| 线 | 层 | 课程 | 前序知识 | 学完具备的能力 | 后续去向 |
|---|---|---|---|---|---|
| 工程 | ① 基础 | OOP · pandas | Python 语法 | 写结构清晰可维护的代码 + 高效正确处理任意金融数据 | 工程② / 支撑金融任意层的代码实现 |
| 工程 | ② 研究 | ML · ML4T | 工程① | 手搓 ML/DL 算法、做出策略雏形、识别回测偏差 | 工程③ / 横切金融②④ 补判断 |
| 工程 | ③ 平台 | qlib | 工程② | 读懂 / 魔改工业级 AI 量化平台，有架构视野 | 工程④ / 金融策略的规模化落地 |
| 工程 | ④ 工程 | MLflow | 工程②（③更好） | 把任意策略工程化：可追踪、可复现、可上线、可监控 | 工程⑤ / 承接任意金融策略上线 |
| 工程 | ⑤ 进阶 | RD-Agent | 工程③ | 搭自动化研究闭环；看清缺口 → 指回金融实务 | 金融 EX/RM/QF 补缺口 |
| 金融 | ① 基础 | INV · MB | 无（INV 是入门总纲） | 看懂市场 / 工具 / 宏观，建立全局框架 | 金融② / 给工程②的模型注入金融语义 |
| 金融 | ② 理论 | FI · QI · AP | 金融①（INV） | 懂资产定价、因子、基本面为什么有效 | 金融③④ / 对照工程 ML4T 的实现 |
| 金融 | ③ 定价 | QF | 金融② + 随机微积分 | 给衍生品 / 固收 / 波动率定价，补齐金融数学 | 金融⑤风险 / 工程侧的 pricing 实现 |
| 金融 | ④ 组合 | ER · AM · IR · FR | 金融② | 大类配置、主动管理、行业轮动、手写风险模型 | 金融⑤ / 工程平台上规模化 |
| 金融 | ⑤ 实务 | RM · EX（· FR） | 金融③④ | 度量尾部风险、最优执行，扛得住真实交易 | 工程 ④⑤ 规模化上线与自动化 |
五、业务主线
业务主线是两条线真正合流的地方。
| 环节 | 工程制造 | 金融判断 |
|---|---|---|
| 数据 | pandas 内核、qlib 存储与表达式引擎 | 市场结构、PIT 防前视（QI/FI） |
| 因子 | ML4T 因子流水线、qlib Handler | 因子的经济逻辑、多重检验（FI/AP/AM） |
| 模型 | ML 手搓 + 剖析源码、深度 / 强化学习 | 模型假设、随机贴现因子 SDF（AP） |
| 信号→组合 | qlib 策略、组合优化代码 | 组合理论、IR=TC·IC·√BR（AM）、Σ=XFXᵀ+Δ（FR） |
| 回测 | ML4T 回测框架、防偏差 | 回测陷阱的统计根源、数据挖掘（AP/AM） |
| 执行 | 🔴 工程侧缺口 | 最优执行、订单簿重建、成本曲线（EX） |
| 风险 | 🔴 工程侧缺口 | VaR / EVT / copula、风险聚合（RM） |
| 监控 / 上线 | MLflow 追踪 · 复现 · 漂移监控 · 部署 | 策略衰减、失效条件（ER） |
| 自动化 | RD-Agent 让 LLM 自动研发 | 每一环的判断仍需人来把关 |
六、课程缩写索引
金融线 · 12 门 259 讲
| ID | 全称 | 规划讲数 | 层 | 参考教材 |
|---|---|---|---|---|
| INV | 投资学 | 28 | ①横跨全塔 | Bodie-Kane-Marcus《Investments》13e |
| MB | 货币、银行与宏观政策 | 23 | ① 基础 | Mishkin《The Economics of Money, Banking and Financial Markets》 |
| FI | 因子投资 | 26 | ② 理论 | 石川《因子投资：方法与实践》 |
| QI | 基本面量化投资 | 19 | ② 理论 | 张然《基本面量化投资》 |
| AP | 资产定价 | 21 | ② 理论（收官） | Cochrane《Asset Pricing》 |
| QF | 衍生品与量化金融 | 29 | ③ 定价 | Wilmott《Paul Wilmott on Quantitative Finance》 |
| ER | 预期收益 | 23 | ④ 组合 | Ilmanen《Expected Returns》 |
| AM | 主动组合管理 | 20 | ④ 组合 | Grinold & Kahn《Active Portfolio Management》 |
| IR | 行业轮动研究方法 | 14 | ④ 组合 | 无教材 · 锚定本地 296 篇卖方研报 |
| FR | 因子风险模型 | 16 | ④⑤ 横跨 | 无教材 · 锚定 Barra CNE6 官方规格 |
| RM | 定量风险管理 | 20 | ⑤ 实务 | McNeil, Frey & Embrechts《Quantitative Risk Management》 |
| EX | 算法执行与市场微观结构 | 20 | ⑤ 实务 | Cartea, Jaimungal & Penalva《Algorithmic and High-Frequency Trading》 |
工程线 · 7 门 182 讲
| ID | 全称 | 规划讲数 | 层 | 锚定教材 / 源码 |
|---|---|---|---|---|
| OOP4 | Python 面向对象编程 | 32 | ① 基础 | Lott & Phillips《Python Object-Oriented Programming》4e |
| pandas | pandas 数据分析 | 22 | ① 基础 | McKinney《Python for Data Analysis》3e |
| ML | 机器学习算法 | 29 | ② 研究 | Raschka 等《Machine Learning with PyTorch and Scikit-Learn》 |
| ML4T | 机器学习与算法交易 | 26 | ② 研究 | Jansen《Machine Learning for Algorithmic Trading》2e |
| qlib | qlib 源码解剖 | 26 | ③ 平台 | 无教材 · 源码 microsoft/qlib |
| MLflow | 用 MLflow 工程化 | 25 | ④ 工程 | Lauchande《Machine Learning Engineering with MLflow》 |
| RD-Agent | LLM 自动化研发 | 22 | ⑤ 进阶 | 无教材 · 源码 microsoft/RD-Agent |
七、参考书目总表
金融线
入门总纲
- Bodie, Kane & Marcus《Investments》(13e)
① 基础：数学与宏观
- Mishkin《The Economics of Money, Banking and Financial Markets》
- Sheldon Ross《A First Course in Probability》— 概率论地基
- Steven Shreve《Stochastic Calculus for Finance I & II》— 随机微积分标准教材
- Mankiw《Macroeconomics》— 宏观补充
② 理论：资产定价与基本面
- Cochrane《Asset Pricing》
- 石川《因子投资：方法与实践》
- 张然《基本面量化投资》
- Björk《Arbitrage Theory in Continuous Time》
- Graham & Dodd《Security Analysis》
- Damodaran《Investment Valuation》
- Penman《Financial Statement Analysis and Security Valuation》
- Koller 等（麦肯锡）《Valuation》
③ 定价：衍生品与固定收益
- Wilmott《Paul Wilmott on Quantitative Finance》
- Hull《Options, Futures, and Other Derivatives》
- Gatheral《The Volatility Surface》
- Tuckman《Fixed Income Securities》
④ 组合：配置与策略
- Ilmanen《Expected Returns》
- Grinold & Kahn《Active Portfolio Management》
- Barra CNE6 官方规格文档
- 296 篇卖方研报
- Andrew Ang《Asset Management》
⑤ 实务：风险与执行
- McNeil, Frey & Embrechts《Quantitative Risk Management》
- Cartea, Jaimungal & Penalva《Algorithmic and High-Frequency Trading》
- Bouchaud 等《Trades, Quotes and Prices》
- Hasbrouck《Empirical Market Microstructure》
- Jorion《Value at Risk》
- López de Prado《Advances in Financial Machine Learning》（PBO/deflated Sharpe）
工程线
- **Lott & Phillips《Python Object-Oriented Programming》 代码库
- McKinney《Python for Data Analysis》(3e) · 代码库
- Raschka, Liu & Mirjalili《Machine Learning with PyTorch and Scikit-Learn》 · 代码库
- Jansen《Machine Learning for Algorithmic Trading》(2e) · 代码库
- Lauchande《Machine Learning Engineering with MLflow》 → MLflow 全 25 讲 · 代码库
- Liu & Zaharia《Practical Deep Learning at Scale with MLflow》
- microsoft/qlib 源码 · https://github.com/microsoft/qlib
- microsoft/RD-Agent 源码 · https://github.com/microsoft/RD-Agent
RoQuant 2026年1月1日 于厦门
发表回复