先弄清楚：这门课解决什么工作场景

很多做财务、业务分析或后端开发的人，日常会碰到几类痛点：手里攥着大量行情或业务数据，却只会用 Excel 拉透视表，跑不动几十万行的批量计算；想做个量化策略回测，或者把机器学习算法塞进现有的数据流里，但每次都被环境配置和底层逻辑卡住。这门 Python 金融量化与大数据分析资料，瞄准的就是这类具体场景。它不负责教你怎么开户炒股票，而是把 Python 数据处理工具链和金融分析逻辑捏合在一起，解决“怎么把历史行情数据导进来、怎么清洗计算、怎么用代码把交易策略跑通并画出可视化结果”的问题。比起单纯讲语法或者纯粹讲金融理论的材料，它的交叉实用性更强，适合需要做数据驱动决策、或者想往金融科技方向转岗的上班族。

门槛与基础：适合什么人，建议先看哪几块

这套资料适合有一定 Python 基础、能看懂基本变量和循环逻辑的读者。如果你连写个函数都费劲，建议先去补基础语法；但如果你平时能写几行爬虫或自动化脚本，直接上手这套资料会觉得节奏刚好。学习时不要一上来就死磕金融模型，建议先看 NumPy 和 Pandas 那几块。NumPy 的数组运算和选择排序是后面一切高阶计算的地基，而 Pandas 的 Series、DataFrame 以及丢失数据处理，是应对真实金融数据残缺、格式错乱的核心。把这两部分的数据清洗和多层索引彻底看懂，再去碰股票历史数据导入和金融计算，才不会因为底层接口报错而半途而废。

学完能独立做什么，资料怎么配合练习

跟着这套资料走完，你能独立完成一个标准的数据分析闭环：从外部导入股票历史数据，用 Pandas 清洗并对齐时间轴，计算出每日成交量、五日均线等基础指标，最后用 Matplotlib 画出股价走势、QQ 图和箱线图来辅助判断分布规律。资料里的每个模块都带有对应的作业讲解视频，这是非常关键的练习素材。建议的配合方式是：先看基础库的教学视频，然后合上视频自己写一遍代码去处理美国人口数据或股票数据项目，卡住了再去对照作业讲解视频找问题。不要只看不练，金融量化分析极度依赖代码手感。把滑动窗口计算和股票涨跌比较这几个实战项目自己敲完，你就算是真正把 Python 和金融数据跑通了，之后无论是做业务数据挖掘还是继续深入机器学习，都有了扎实的底层抓手。


掌握人工智能的基础NumPy和Matplotlib，量化交易技术，人工智能技术

课程目录

*   01 2-ipython教学视频

*   02 3-numpy教学视频1

*   03 3-numpy教学视频2

*   04 3-numpy教学视频3（选择排序）

*   05 1numpy作业讲解

*   06 2pandas1-Series与DataFrame

*   07 3pandas2-丢失数据的处理

*   08 4pandas3-多层索引

*   09 1pandas合并

*   10 2美国人口数据项目

*   11 3作业讲解与pandas级联

*   12 1matplotlib

*   13 2项目讲解

*   14 3作业讲解

*   15 1-股票历史数据的导入与股价可视化

*   16 2-每日成交量与基础金融计算

*   17 3-QQ-plots

*   18 4-箱线图

*   19 5-比较股票涨跌

*   20 6-滑动窗口-五日均线

*   21 7-五日均线的差的走势与波动率

*   22 1KNN分类

*   23 2KNN回归

*   24 3KNN回归2

*   25 4KNN原理以及简单例子

*   26 5测试题讲解1

*   27 6作业1

*   28 0.0普通线性回归

*   29 0.1lasso

*   30 0.2回归的比较

*   31 0.3岭回归理论

*   32 0.4岭回归实例

*   33 0.5逻辑斯蒂回归1

*   34 0.6逻辑斯蒂回归2

*   35 0.7逻辑斯蒂回归3

*   36 0.8逻辑斯蒂回归4

*   37 0.9逻辑斯蒂回归5

*   38 0.10逻辑斯蒂回归6

*   39 1贝叶斯原理

*   40 2贝叶斯-高斯分布

*   41 3贝叶斯文本处理

*   42 4决策树原理

*   43 5决策树构造

*   44 6决策树构造2

*   45 7决策树实战

*   46 8离散与连续的概念

*   47 9排列

*   48 10.朴素贝叶斯-多项式与伯努利分布

*   49 获取数据

*   50 项目展示1

*   51 项目展示2

*   52 项目展示3

*   53 项目展示4

*   54 0机器学习导图

*   55 1K均值原理

*   56 2K均值实战1

*   57 3K均值实战2

*   58 4支持向量机原理

*   59 5支持向量机实战1

*   60 6支持向量机实战2

*   61 7支持向量机实战3

*   62 8贝叶斯作业讲解

*   63 1knn1

*   64 2knn2

*   65 4lr1

*   66 3knn3

*   67 5lr2

*   68 6聚类

*   69 7决策树1

*   70 8决策树2

*   71 9逻辑斯蒂回归1

*   72 10逻辑斯蒂回归2

*   73 11欧氏距离

*   74 12支持向量机与聚类

*   75 试题讲解1

*   76 试题讲解2

*   77 试题讲解3

*   78 试题讲解4

*   79 1hadoop配置

*   80 2Hadoop原理1

*   81 3HDFS1

*   82 4HDFS2

*   83 5mapreduce原理

*   84 6mapreduce1

*   85 7mapreduce2

*   86 8mapreduce3

*   87 9wordcount

*   88 10.昨天习题讲解

*   89 1Hadoopcombiner

*   90 2Hadoopcombiner2

*   91 3Hadoop的多个step

*   92 4Hadoop的多个step2

*   93 5Hadoop的多个step3

*   94 6.Hadoop的多个step4

*   95 7.Hadoop的多个step5

*   96 8.Hadoop回顾

*   97 customer作业讲解

*   98 mostpopularmovie

*   99 电影相似度

*   100 内容回顾

*   101 欧式距离

*   102 新增文件

*   103 新增文件2

*   104 余弦相似度

*   105 余弦相似度2

*   106 1-marvel项目

*   107 2-marvel项目2

*   108 3-电影相似度

*   109 4-电影相似度2

*   110 5-spark介绍

*   111 6-spark项目1

*   112 7-spark项目2

*   113 8-spark项目3

*   114 9-spark_movie1

*   115 10-spark_movie2

*   116 11-spark_movie3

*   117 1-spark_userdata1

*   118 2-spark_userdata2

*   119 3-spark_userdata3

*   120 4-spark_userdata4

*   121 6-spark文档

*   122 5-spark_moviedata1

*   123 7-spark_moviedata2

*   124 8-spark_ratingdata1

*   125 9-spark_ratingdata2

*   126 10-spark_ratingdata3

*   127 11-spark清理数据1

*   128 12-spark清理数据2

*   129 13-spark词向量化

*   130 14-spark去除年份

*   131 0.spark作业讲解

*   132 1spark库介绍

*   133 2spark-DataFrame的基本介绍与创建

*   134 3spark-DataFrame常用属性和方法

*   135 4spark-推荐系统1

*   136 5spark-推荐系统2

*   137 6spark作业

*   138 7作业

*   139 1深度学习原理1-入门

*   140 2深度学习原理2-基本使用

*   141 3深度学习原理3-创建变量

*   142 4.深度学习原理4-feed

*   143 5.深度学习原理5-卷积

*   144 7.神经网络原理1

*   145 8.神经网络原理2

*   146 9.神经网络-sklearn案例

*   147 10.tensorflow案例1-入门

*   148 11.tensorflow案例2-基本使用

*   149 13.tensorflow案例3-mnist