慕课网-程序员AI量化理财体系课前15周

这门课表面上叫「AI量化理财」，实际解决的问题很具体：让有编程基础的人，能把 Python 和 AI 工具真正落到投资决策与策略验证上，而不是停在「用大模型问两句股票」的层面。它适合的是已经会写 Python、但对金融数据和交易逻辑不熟的开发者，或者想从业务岗转向量化方向的转行者。如果你连 pandas 都没碰过，前几周会比较吃力；如果你指望学完就能稳定盈利，那这门课并不承诺这件事，它给的是方法和框架。

它到底解决什么工作场景

课程前十五周的重心，是把「写代码」和「做投资判断」这两件事接起来。阶段一从 Python 数据科学核心栈切入，用股票预测这类具体任务带你熟悉数据处理、特征构造和模型调用的完整流程，同时引入大模型 API 集成，让你知道怎么把 LLM 当成分析工具而不是聊天玩具。阶段二转向金融通识与资产配置，讲宏观周期、微观博弈和金融数据获取，目的是补上程序员最容易缺的那块——为什么这个指标重要、这个策略在什么市场环境下会失效。换句话说，它解决的是「有技术但不懂金融语言」和「懂点投资但不会用代码验证」这两类人的断层问题。

建议先看哪几块，学完能独立做什么

如果你时间有限，建议先把数据获取和资产配置这两块看透，再回头补 AI 开发部分。原因是量化里最耗时间的往往不是模型，而是数据清洗和逻辑校验；先把数据源、字段含义、回测口径搞清楚，后面调模型才不会白忙。学完之后，你应该能独立完成几件事：拉取并整理一段历史的行情与基本面数据，搭建一个可复现的简单策略并做绩效评估，用大模型辅助生成分析结论或代码片段，以及为自己的资金做一份带风险约束的配置方案。这些是能拿得出手的实操结果，不是概念清单。

资料怎么配合练习

配套资料更适合当「参照系」而不是「阅读材料」。每看完一周的内容，别急着往下翻，先用同一套数据自己重写一遍流程，再对照资料里的实现看差异在哪。策略绩效评估那部分尤其要动手，因为回测里的滑点、手续费、幸存者偏差，只有自己跑过才会真正在意。金融通识那几周可以配合真实市场新闻做笔记，把宏观事件和资产价格变化对上号。整体节奏上，前十五周是打底，别跳着看，跳过去的部分后面会用更隐蔽的方式让你补课。