这门课解决什么问题
在量化投资领域，选股策略的构建往往需要处理海量数据并挖掘有效特征。这门课程聚焦的核心场景是：如何利用机器学习算法，从历史财务数据、量价指标中提炼规律，进而构建多因子选股策略。它解决的痛点很明确——传统线性加权方法难以捕捉因子间的非线性关系，而本课程通过引入机器学习模型，帮助处理多因子交互信息，提升选股模型的预测能力。课程将算法理论与金融业务场景结合，不空谈算法推导，而是直击量化选股中的数据处理与模型落地。
适合什么基础与建议学习顺序
课程适合具备一定 Python 编程基础、了解基本财务指标，且希望向量化分析或量化开发方向转岗的金融从业者。如果你完全没有编程经验，直接上手会有较大门槛；若已有数据处理经验，则能快速吸收。资料编排由浅入深，建议先从机器学习简介与模型评估板块看起。这两块厘清了性能度量与交叉验证的核心逻辑，是后续避免模型过拟合的前提。随后进入线性回归与逻辑回归部分，这部分是理解因子线性组合与收益预测的基石，建议重点研读。对于决策树等进阶内容，可结合分类案例同步实操，理解树模型对非线性特征的捕捉能力。
学完能独立做什么与资料配合练习
系统学完后，你应当能独立完成一个基础多因子选股流程：从因子库的初步筛选、缺失值与去极值处理，到利用线性或树模型训练预测器，再到对股票池进行打分回测。资料包中的视频不仅是理论讲解，更是实操指南。建议的配合练习方式是：每看完一个模型模块，就在本地环境复现案例代码。例如，学完逻辑回归后，尝试导入一段真实股票财务数据，自行构建二分类标签（如未来一周涨跌幅是否跑赢基准），完成训练与评估。不要把视频当连续剧刷，务必让代码跑通，观察不同模型在回测集上的表现差异，这才是将算法转化为个人工作技能的关键。
通过本课程的学习了解机器学习的模型实现以及量化投资的多因子选股策略相关案例
课程目录
* 01 机器学习/
* 01 机器学习简介.mp4 (275.17 MB), 47:14
* 02 【模型评估与选择】性能度量.mp4 (240.92 MB), 46:52
* 03 【模型评估与选择】评估方法.mp4 (109.13 MB), 20:04
* 04 【机器学习分类模型基础】线性回归.mp4 (471.59 MB), 01:21:05
* 05 【机器学习分类模型基础】逻辑回归.mp4 (438.53 MB), 01:12:17
* 06 【机器学习分类模型基础】K近邻算法.mp4 (96.23 MB), 16:46
* 07 【机器学习分类模型进阶】决策树-决策树介绍.mp4 (190.75 MB), 32:03
* 08 【机器学习分类模型进阶】决策树-分类案例.mp4 (54.35 MB), 09:03
* 09 【机器学习分类模型进阶】随机森林.mp4 (182.38 MB), 35:47
* 10 【集成模型】集成学习基础.mp4 (249.16 MB), 45:18
* 11 【集成模型】强化学习模型.mp4 (146.12 MB), 28:21
* 02 多因子策略构建实战/
* 01 资本资产定价模型构建选股策略-理论.mp4 (80.09 MB), 11:27
* 02 资本资产定价模型构建选股策略-CAPM策略及代码实现.mp4 (216.26 MB), 30:59
* 03 Fama-French三因子模型选股策略构建-理论.mp4 (139.04 MB), 20:24
* 04 Fama-French三因子模型选股策略构建-python实.mp4 (80.12 MB), 11:48
* 03 机器学习算法策略构建实战/
* 01 基于机器学习的多因子选股策略-理论.mp4 (53.39 MB), 07:48
* 02 基于逻辑回归的多因子选股策略-python实现.mp4 (145.82 MB), 21:13
* 03 基于机器学习的多因子选股策略理论实战.mp4 (202.07 MB), 37:14
