
给要入门量化分析的人一些建议
针对你数学、物理较好以及有一定C基础的情况,我的建议(也是对所有想要入门量化分析的人)的建议是:
一. 数学
继续打好数学基础,学一学集合论、统计学方面的知识,方便以后可以从初级经济学的学习转向中高级。你大一,集合论和统计学如果没学过建议先入个门。比如国内著名的统计学大师陈希孺先生的《概率论与数理统计 (豆瓣)》、《数理统计学教程 (豆瓣)》等等,写得非常好,请仔细揣摩体会。
二. 经济学&金融学
数学基础可以了,如果学校教的你也觉得很简单,那就看一点计量经济学和中级微观经济学方面的书,看能不能看懂。
比如《计量经济学导论 (豆瓣)》这本书就不错,还有经典的范里安的中级微观经济学教材:《微观经济学 (豆瓣)》,以及经典圣经:《期权、期货和其他衍生品(第5版) (豆瓣)》。
当然,如果你想要出国深造,那么选择看英文版的是很好的选择。
但是如果你是想要更好地利用时间,看中文版也是不错的选择,因为看中文版肯定比英文版快得多。
三. 计算机与编程
1. 计算机
你如果之前没有学过计算机相关知识,我建议可以先看一本书入个门,了解计算机的大致工作原理,我推荐研读一下:《计算机科学概论(第11版) (豆瓣)》
2. 语言
然后,你既然要学习金融方面的知识,我建议可以暂时不学C或者C++,而选择学习python,python更简单,数理分析、科学计算能力更强大。我推荐看一下:《Python基础教程 (豆瓣)》,这本书讲的是python2.7,对初学者而言,还是看这本比较好。
你还可以参照统计语言R来更深入地理解python,我推荐《R语言编程艺术 (豆瓣)》。
然后你可以看一下专讲python用作数据分析的好书:《利用Python进行数据分析 (豆瓣)》。(这本书里面讲的python以及对应的pandas、scipy、numpy模块都是基于python2.7的——这就是为什么我推荐的python入门教材是python2.7的,对于初学者,版本问题很可能是个坑,学2.7更好。)
另外,家中常备:《Python标准库 (豆瓣)》,很多问题就不用重新造轮子了。
3. 未来
计量方法严格来讲只是传统方法,为了应对未来、成为宽客,建议学习数据挖掘、机器学习、人工智能方面的知识,我推荐《数据挖掘导论 (豆瓣)》,《机器学习
(豆瓣)》等等书籍。
另:python作为解释型语言,性能不及C等编译型的语言,特别是对于高频交易等,以防万一,建议还是入一下计算机的算法、数据结构、计算机系统坑。。。。当然,这又是个大坑。
四. 实践
现在有一些在线的金融系统,可以给你机会让你写你自己的模型的,你多留意一下,也可以问下老师,闲来没事儿写几个交易模型试一试。
据我所知目前大多数写交易模型的,都没有较强的综合能力(综合经济金融、数学、编程这三个方面),你要想比他们都强,那就把这三个方面的基础都打好。
最后,少年,我看你骨骼惊奇,这本《集体智慧编程 (豆瓣)》我就送给你了,写一个遗传算法为内核、并且底层优化的具有进化特征的交易模型吧,特别是在数据环境本身就具有进化特性的情况下,亮瞎他们!——至少听起来很牛逼~~
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15