Python學(xué)習(xí)課程安排表

1、從Python基礎(chǔ)到數(shù)據(jù)清洗，到爬蟲(chóng)，到案例分析實(shí)戰(zhàn),還有Python量化與統(tǒng)計(jì)計(jì)量，allaboutPython等級(jí)課程時(shí)間方式Level1入門(mén)，從配置環(huán)境Python編程基礎(chǔ)到能夠上手5月6-9日四天北京/遠(yuǎn)程Level2Python數(shù)據(jù)清洗及統(tǒng)計(jì)描數(shù)據(jù)思維和數(shù)據(jù)清述洗5月13-15日三天北京/遠(yuǎn)程Level3學(xué)會(huì)網(wǎng)絡(luò)爬蟲(chóng)Python爬蟲(chóng)收集數(shù)據(jù)5月20-21日的大北京/遠(yuǎn)程Level4Python數(shù)據(jù)才掘，算法及案例5月27-30日四天北京/遠(yuǎn)程專(zhuān)題Python量化投資基礎(chǔ)+實(shí)戰(zhàn)4月15-16,22-23日北京/遠(yuǎn)程專(zhuān)題Python統(tǒng)計(jì)計(jì)里4月28-5月1日上海/視頻（課程詳情請(qǐng)參照回復(fù)

2、）Levell-Python編程基礎(chǔ)5月6-9日四天北京/遠(yuǎn)程3200/2600課程大綱：一，Python概述（0.5天）注：本部分課程主要為Python語(yǔ)言的介紹及基礎(chǔ)環(huán)境的安裝配置。0.1Python語(yǔ)言介紹、Anaconda科學(xué)計(jì)算集成介紹安裝0.2Python編譯器、Shell、編輯器介紹0.3Python的第三方包的管理0.4Python在數(shù)據(jù)分析領(lǐng)域的生態(tài)介紹二，Python編程基礎(chǔ)（3.5天）注：本部分主要為講解Python的基礎(chǔ)編程知識(shí)，側(cè)重于Python數(shù)據(jù)分析常用的功能和知識(shí)點(diǎn)進(jìn)行講解。課程安排：1.1 Python語(yǔ)言特點(diǎn)1.2 Python的數(shù)據(jù)類(lèi)型和變量1.3 Pyt

3、hon中的運(yùn)算1.4 Python的數(shù)據(jù)結(jié)構(gòu)1.5 Python的控制流語(yǔ)句1.6 Python中的異常處理和調(diào)試1.7 函數(shù)調(diào)用和定義以及函數(shù)的參數(shù)1.8 Python的類(lèi)和面向?qū)ο缶幊?.9 Python的文件、模塊操作1.10 其他高級(jí)特性練習(xí)項(xiàng)目：- 蒙特卡羅模擬求圓周率- 冒泡算法和二分查找- 實(shí)現(xiàn)計(jì)算器- 堆棧和隊(duì)列的實(shí)現(xiàn)- 模擬實(shí)現(xiàn)ATMM取錢(qián)- 求階乘- 模擬管理學(xué)生成績(jī)信息- 編程實(shí)現(xiàn)24點(diǎn)撲克游戲- 會(huì)員信息管理的實(shí)現(xiàn)- 虛擬水果店進(jìn)銷(xiāo)存系統(tǒng)- 投票系統(tǒng)- 漢諾塔問(wèn)題- 離散事件模擬- 堆排序的實(shí)現(xiàn)Level2:Python數(shù)據(jù)清洗及統(tǒng)計(jì)描述5月13-15日三天北京/遠(yuǎn)程2

4、400/2000課程大綱：一，Numpy(NumericalPython)是高性能科學(xué)計(jì)算和數(shù)據(jù)分析的基礎(chǔ)包，是數(shù)據(jù)分析幾乎所有的高級(jí)工具的構(gòu)建基礎(chǔ)。Numpy基礎(chǔ)- Numpy的ndarray- 數(shù)組的索引和切片- 數(shù)組的運(yùn)算-常用的數(shù)組方法二，Pandas包提供了大量能使我們快速便捷地處理數(shù)據(jù)的函數(shù)和方法，它是Python成為強(qiáng)大而高效的數(shù)據(jù)分析環(huán)境的重要因素之一。Pandas基礎(chǔ)應(yīng)用-Series數(shù)據(jù)結(jié)構(gòu)-DataFrame數(shù)據(jù)結(jié)構(gòu)- 基本功能- 匯總和計(jì)算統(tǒng)計(jì)描述- 缺失值的處理Pandas數(shù)據(jù)規(guī)整- 數(shù)據(jù)加載&俞出- 數(shù)據(jù)集的合并- 數(shù)據(jù)集的重塑- 數(shù)據(jù)重構(gòu)Pandas分組運(yùn)

5、算-GroupBy技術(shù)- 數(shù)據(jù)聚合- 分組級(jí)運(yùn)算和轉(zhuǎn)換- 透視表和交叉表Level3:Python爬蟲(chóng)5月20-21日北京/遠(yuǎn)程1600/1300課程大綱：一，爬蟲(chóng)初級(jí)- 認(rèn)識(shí)HTTP和Cookie及HTML介紹- 網(wǎng)絡(luò)請(qǐng)求（urllib以及requests的介紹和安裝）- 使用BeautifulSoup4庫(kù)（靜態(tài)網(wǎng)頁(yè)解析）- 使用lxml庫(kù)（XPath語(yǔ)法解析靜態(tài)網(wǎng)頁(yè)）- Python連接數(shù)據(jù)庫(kù)（數(shù)據(jù)彳存）- logging、time模塊的學(xué)習(xí)- 正則表達(dá)式的使用二，爬蟲(chóng)高級(jí)- 動(dòng)態(tài)網(wǎng)頁(yè)的抓?。≒hantomJS和Selenium的使用）- Scrapy爬蟲(chóng)框架的安裝和學(xué)習(xí)- 多線程爬蟲(chóng)-

6、規(guī)避網(wǎng)站信息采集陷阱Level4：Python數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)算法案例5月27-30日四天北京/遠(yuǎn)程4200/3600Python案例分析大全（但不局限于）：1 .文本挖掘原理和案例-數(shù)據(jù)可視化的各種方式2 .預(yù)測(cè)分析核心算法-Python圖片結(jié)構(gòu)和分析（圖片的k-means聚類(lèi)分析）3 .機(jī)器學(xué)習(xí)經(jīng)典算法-圖片的識(shí)別和分類(lèi)：PCA建模4 .Python概率統(tǒng)計(jì)-二維手寫(xiě)數(shù)字識(shí)別（KNNp法）5 .數(shù)據(jù)可視化-推薦系統(tǒng)的構(gòu)建（最近鄰方法、協(xié)同過(guò)濾）6 .Python經(jīng)典金融分析-垃圾短信或郵件的識(shí)別與分類(lèi)（Logistic對(duì)文本的分類(lèi)）7 .Python量化投資-新聞的文本分類(lèi)（TF-IDF

7、準(zhǔn)則、旅游新聞個(gè)性化推薦）8 .算法和模型的優(yōu)化-人臉識(shí)別9 .模型精度評(píng)估和提升-樸素貝葉斯決策10 .特征選取的方法-酒的品質(zhì)分類(lèi)預(yù)測(cè)11 .最佳k-means分類(lèi)數(shù)-機(jī)器學(xué)習(xí)的格點(diǎn)搜索和參數(shù)尋優(yōu)12 .交叉驗(yàn)證（CV）-懲罰線性回歸分類(lèi)器13 .不平衡數(shù)據(jù)處理-使用支持向量機(jī)識(shí)別和分類(lèi)14 .XGBoost-時(shí)間序列預(yù)測(cè)案例15 .貝葉斯分析-機(jī)器集成學(xué)習(xí)算法案例16 .逼近和最優(yōu)化-Python隨機(jī)模擬案例17 .概率圖模型-Python金融分析案例18 .馬爾科夫媛特卡羅-使用Python進(jìn)行量化投資案例4500/3600Python量化投資4月15-16,22-23日四天北京/遠(yuǎn)程

8、課程大綱：基礎(chǔ)班(一天)：Python語(yǔ)言基礎(chǔ)與金融統(tǒng)計(jì)分析Part1:Python語(yǔ)言學(xué)習(xí)與應(yīng)用1、Python語(yǔ)言簡(jiǎn)介2、運(yùn)算符與表達(dá)式3、Python控制流4、Python函數(shù)5、Python模塊6、異常處理與文件操作7、Python繪圖8、NumpyO9、Pandas篇10、數(shù)據(jù)庫(kù)連接Part2:金融統(tǒng)計(jì)分析概論1、統(tǒng)計(jì)學(xué)理論(1)統(tǒng)計(jì)學(xué)概論(2)描述性統(tǒng)計(jì)(3)參數(shù)估計(jì)(4)假設(shè)檢驗(yàn)2、多變量相關(guān)性分析3、線性回歸模型案例分析：案例一：大型股票數(shù)據(jù)庫(kù)讀取股票數(shù)據(jù)案例二：A股市場(chǎng)股票數(shù)據(jù)繪圖案例三：交易數(shù)據(jù)描述性統(tǒng)計(jì)案例四：非金融專(zhuān)業(yè)數(shù)據(jù)獲取方法實(shí)戰(zhàn)班(三天)第一天：Part1:金融數(shù)

9、據(jù)處理高級(jí)編程1、Pandas深入分析2、金融因子數(shù)據(jù)生成3、常見(jiàn)的金融數(shù)據(jù)整理方式Part2 :量化投資概述1、投資策略回顧與比較2、基本面、技術(shù)分析和量化的聯(lián)系與區(qū)別3、量化投資概述4、量化投資風(fēng)險(xiǎn)與管控Part3 :量化投資Python平臺(tái)介紹1、數(shù)據(jù)獲取2、回測(cè)框架介紹3、回測(cè)注意問(wèn)題。案例分析：案例一：市盈率手動(dòng)計(jì)算案例二：Panel數(shù)據(jù)的存儲(chǔ)與提取案例三：簡(jiǎn)單的均線穿越策略實(shí)現(xiàn)第二天：Parti:市場(chǎng)描述策略描述性研究Part2:高級(jí)交易策略1、CTA策略2、大師選股策略3、市場(chǎng)中性選股策略4、技術(shù)指標(biāo)類(lèi)策略5、資產(chǎn)配置策略Part3:時(shí)間序列模型1、什么是時(shí)間序列數(shù)據(jù)2、時(shí)間序列

10、的平穩(wěn)性檢驗(yàn)與白噪聲探討3、時(shí)間序列平滑4、【SMAWMAEWMA5、金融時(shí)間序列建模預(yù)測(cè)6、ARMAARIMA模型】7、波動(dòng)的集聚效應(yīng)案例分析：案例一：如何通過(guò)各種數(shù)據(jù)描述當(dāng)前市場(chǎng)狀態(tài)案例二：CTA策略案例三：經(jīng)典大師選股策略案例四：市場(chǎng)中性選股策略案例五：技術(shù)指標(biāo)類(lèi)選股策略案例六：資產(chǎn)配置策略案例七：時(shí)間序列策略第三天：Parti：投資組合基本概念1、超額Alpha選股2、CAPMII型3、三因子模型選股Part2:投資組合構(gòu)建1、單因子測(cè)試2、多因子測(cè)試3、常見(jiàn)的組合構(gòu)建方法Part3:數(shù)據(jù)挖掘算法在量化投資中的運(yùn)用1、邏輯回歸與漲跌預(yù)測(cè)2、支持向量機(jī)模型與漲跌預(yù)測(cè)3、聚類(lèi)與股票配對(duì)Pa

11、rt4輿情分析與關(guān)注度模型1、文本挖掘概述2、文本處理技巧3、中文分詞案例分析：案例一：?jiǎn)我蜃尤诇y(cè)試代碼案例二：組合構(gòu)建案例案例三：文本數(shù)據(jù)處理案例Python統(tǒng)計(jì)計(jì)量4月28-5月1日四天上海/視頻3200/1500課程大綱：Part-1Python初探01.Python語(yǔ)法結(jié)構(gòu)概覽教學(xué)內(nèi)容：兼顧應(yīng)用廣泛的Python2.x與日益興盛的Python3.x,從最基本的原理和語(yǔ)法格式入手，教授Python的基礎(chǔ)內(nèi)容。教學(xué)目的：深入Python的流程控制語(yǔ)句，夯實(shí)基礎(chǔ)，這部分內(nèi)容將貫穿課程始終，熟練到就算沒(méi)有開(kāi)放的擴(kuò)展庫(kù)，自己也能根據(jù)公式做模型。1.1 一個(gè)概覽式的例子1.2 基本語(yǔ)法與數(shù)據(jù)1.

12、3 條件與條件語(yǔ)句1.4 循環(huán)與嵌套1.5 循環(huán)控制語(yǔ)句02.Python函數(shù)與數(shù)據(jù)結(jié)構(gòu)教學(xué)內(nèi)容：Python基礎(chǔ)的核心內(nèi)容。教學(xué)目的：了解各類(lèi)函數(shù)、參數(shù)和變量的區(qū)別和聯(lián)系，能夠提升編程質(zhì)量，使內(nèi)容更加完善與流暢。2.1 認(rèn)識(shí)與定義函數(shù)2.2 參數(shù)形式與返回值2.3 內(nèi)置函數(shù)形式2.4 變量類(lèi)型及應(yīng)用2.5 數(shù)據(jù)結(jié)構(gòu)及應(yīng)用03.數(shù)據(jù)處理與計(jì)算教學(xué)內(nèi)容：介紹的豐富且成熟的第三方擴(kuò)展庫(kù)，解讀數(shù)據(jù)分析的邏輯和分析結(jié)果。教學(xué)目的：學(xué)會(huì)使用Python進(jìn)行更加便捷的數(shù)理統(tǒng)計(jì)與計(jì)量分析，結(jié)果更加全面，解釋性更強(qiáng)。3.1 常用模塊概覽3.2 數(shù)據(jù)的導(dǎo)入與導(dǎo)出3.3 描述性數(shù)據(jù)統(tǒng)計(jì)3.4 兩總體對(duì)比推斷3.5

13、 方差分析3.6 卡方檢驗(yàn)3.7 非參數(shù)統(tǒng)計(jì)分析04.數(shù)據(jù)清洗教學(xué)內(nèi)容：檢查數(shù)據(jù)一致性、處理無(wú)效值和各種填補(bǔ)缺失值的方式。教學(xué)目的：邁出數(shù)據(jù)處理的第一步，能夠識(shí)別并處理不清潔的數(shù)據(jù)，使數(shù)據(jù)更有利于后續(xù)的數(shù)據(jù)分析與挖掘。4.1 數(shù)據(jù)的整理4.2 數(shù)據(jù)的集成4.3 原始數(shù)據(jù)變換4.4 數(shù)據(jù)歸約4.5 處理缺失值Part-2關(guān)于截面數(shù)據(jù)05.線性回歸模型教學(xué)內(nèi)容：學(xué)會(huì)使用最單純也是最實(shí)用且頻頻出現(xiàn)在Top期刊中的線性回歸模型。教學(xué)目的：學(xué)會(huì)使用Python固定語(yǔ)句進(jìn)行回歸，合理地構(gòu)建模型、選擇變量、解釋結(jié)果。5.1 小樣本&大樣本OLS5.2 使用虛擬變量5.3 非線性回歸處理5.4 異方差

14、5.5 自相關(guān)5.6 主成分分析（PCA與因子分析（FA）06.內(nèi)生性的解決辦法教學(xué)內(nèi)容：處理各類(lèi)研究中如影隨形的內(nèi)生性問(wèn)題。教學(xué)目的：能夠完爆一個(gè)內(nèi)生性，并使用Python處理內(nèi)生性，使論文輕松達(dá)到“A-level6.1 工具變量法（IV）6.2 兩階段最小二乘拆解內(nèi)生性（2SLS）6.3 廣義矩估計(jì)（GMM6.4 倍分法07.離散變量模型教學(xué)內(nèi)容：介紹最早的離散選擇模型一一Logit/Probit模型，這是很多0/1選擇問(wèn)題的主要方法，也是社會(huì)學(xué)、心理學(xué)、經(jīng)濟(jì)學(xué)、市場(chǎng)營(yíng)銷(xiāo)等統(tǒng)計(jì)實(shí)證分析的常用方法。教學(xué)目的：學(xué)會(huì)針對(duì)不同的問(wèn)題選擇合適的離散選擇模型解決問(wèn)題，并解釋結(jié)果。7.1 二值型Logit/Probit模型7.2 多值型Logit/Probit模型7.3 .定序Logit/Probit模型7.4 計(jì)數(shù)模型Part-3關(guān)于時(shí)間序列08.平穩(wěn)時(shí)間序列分析教學(xué)內(nèi)容：時(shí)間序列分析的基礎(chǔ)，一般的時(shí)間序列分析往往都是針對(duì)平穩(wěn)序列，對(duì)于一些非平穩(wěn)序列，也會(huì)通過(guò)某些變換轉(zhuǎn)成平穩(wěn)序列來(lái)處理。教學(xué)目的：學(xué)會(huì)識(shí)別平穩(wěn)時(shí)間序列，并使用Python進(jìn)行一系列后續(xù)分析與預(yù)測(cè)，得出并解釋分析結(jié)果。8.1 時(shí)間序列特征8.2 ARMA基本邏輯及應(yīng)用8.3 自回歸分布滯后模型8.4 自相關(guān)與偏自相關(guān)8.5 向量自回歸09.非平穩(wěn)時(shí)間序列教學(xué)內(nèi)容：與平穩(wěn)時(shí)間序列具有