Appearance
完整路线图
这条路线面向 AI 时代的个人量化开发者。它不要求一开始就掌握全部金融理论,而是从工程可落地的内容开始:数据、AI 辅助开发、回测、交易系统、风控和项目。
个人量化开发的核心不是“会写一个策略”这么单一,而是能借助 AI 提升开发效率,同时把数据、研究、系统和风险边界连接起来。一个专业路线应同时覆盖四类能力:数据可信、实验可复现、系统可运行、风险可控制。
路线结构
- 先修基础:编程、Linux、数据结构、概率统计和市场常识。
- 能力图谱:Quant Developer 需要的核心能力和岗位差异。
- 12 周学习计划:适合初学者的周粒度安排。
- 数学与市场基础:只补工程路线真正需要的数学和金融概念。
- 工程基础:代码质量、测试、日志、数据库、网络和部署。
- 项目推进顺序:从数据 pipeline 到交易系统 demo 的作品集路径。
- 阶段验收标准:每个阶段应该能解释、能实现、能验证什么。
入门阶段:数据处理
目标是理解量化开发中的数据处理流程,能把原始行情数据整理成可用于研究和回测的数据集。
- 行情数据:K 线、逐笔成交、盘口和公司行动。
- 数据源与数据获取:API、文件、数据库和实时订阅。
- 数据清洗:字段、时间、缺失值、异常值和复权。
- 数据存储:CSV、Parquet、SQLite、PostgreSQL 和 ClickHouse。
- 数据质量:完整性、一致性、唯一性和可追溯性。
贯穿能力:AI+Dev
目标是学会把 AI 工具安全、有效地纳入量化开发流程,而不是把模型当成不可验证的答案来源。
- AI 模型选型:按代码、文档、长上下文、结构化抽取和隐私场景选择模型。
- AI 最佳实践:描述上下文、拆分任务、约束输出和验证结果。
- AI+效率提升:辅助数据处理、回测开发、交易系统设计和求职准备。
- AI 能力边界:识别幻觉、过时信息、上下文遗漏和高风险误用。
进阶阶段:回测开发
目标是理解策略从想法到历史实验的完整流程。
- 信号生成、目标持仓、订单模拟和组合状态。
- 因子研究、分组收益、IC、换手率和稳定性分析。
- 交易成本、滑点、容量和不可成交约束。
- 未来函数、幸存者偏差和过拟合检查。
- 回测报告和实验记录。
系统阶段:交易系统与风控
目标是理解策略如何进入可运行、可监控、可恢复的生产系统。
- 交易系统架构、行情接入、策略引擎、OMS 和 EMS。
- 订单状态机、成交回报、持仓现金和对账。
- 风控管理、规则引擎、审计告警和降级动作。
- 日志、指标、监控、故障恢复和交易后复盘。
拓展阶段:低延迟
目标是理解延迟来源、测量方法和基础优化思路。
- 网络基础、TCP、UDP 和多播行情。
- 并发模型、锁竞争、线程调度和消息队列。
- 内存分配、缓存局部性和数据布局。
- 延迟测量、profiling 和 C++ 优化。
实战阶段:作品集项目
目标是做出能放进简历和 GitHub 的项目。
- 行情数据清洗 pipeline。
- Python 因子回测小项目。
- 简易事件驱动回测框架。
- 订单簿模拟器和撮合引擎。
- 风控规则引擎 demo。
- 交易系统 mini demo。
求职阶段:岗位表达
目标是把能力转化成简历、面试回答和项目讲解。
- 梳理 Quant Developer 岗位画像。
- 准备 Python、C++、Linux、网络、数据结构与算法题。
- 准备数据、回测开发、交易系统、风控管理基础题。
- 将项目整理为简历条目、讲解稿和演示材料。
专业性标准
学完这条路线后,不应只会调用库或展示净值曲线,而应能回答:
- 数据字段、时间戳、复权和样本范围是否可靠?
- 回测有没有未来函数、幸存者偏差、成本低估和过拟合?
- 策略信号如何进入订单系统,订单状态如何流转?
- 风控规则在哪里执行,触发后做什么动作?
- 系统异常时如何日志定位、状态恢复和交易后对账?
- AI 输出如何验证,哪些环节不能交给模型直接决定?