量化(Quantitative)这个词，在中文表面上含义都叫量化交易，其实分最少三类 P Quant(P Quant 我分2类，个人自己做和给机构打工) 和 Q Quant，其中Q Quant基本上只有去做投行甲方。Q Quant包含更多价值投资的内容，P Quant是普通意义上的“炒股”"炒币"。

具体深入讨论看这里：P Quant 和 Q Quant 到底哪个是未来？

后来发现一篇知乎文章更加详细：

大家得想清楚自己想学习的是哪一类，自己想做的是哪一类的工作或者终身投资行为。Q Quant核心就是资产定价和风险平价体系。这东西适合大学本科或者研究生阶段学起，适合数学系，物理系，经济学或者金融专业背景，包括后续找工作等的，跨专业学习此类量化在找工作的时候会遇到Target School的隐形限制。

P Quant，就是国内狭义的量化投资概念，它包括为机构投资服务和个人投资两种，也就是所谓的day trader with Quantitative trading，主要面临的就是交易系统选择。细分起来则是择时，Alpha择时，仓位控制，风险止损等等。它基本没有专业限制，即使不做相关工作，也可以作为业余副业给自己赚取后半生的稳定保障。

所以此篇文章的所讨论35岁程序员退路的量化投资，就是属于P Quant的范畴。这系列文章核心观点在于：学它不需要成为社畜才能变现，它是属于你自己的一亩三分地！请牢记这一点，一个程序猿不要为了找工作而学习量化，是为了挣脱996束缚的枷锁才来学习这一门技艺。

野心很大，能力很弱，所以先列个知识架构索引

1 Python 基础 （本文）

2

3

4

5

6

7 量化投资中的数学基础 算法 离散序列统计 概率统计 函数拟合

8 量化分析基础

9 赚取你认知中的Alpha 波浪理论 ARIAM模型 周期分解

10 时间序列分析

11 交易体系

12 图表交易系统

13 回测策略

14 你的第一个“高级”择时策略 光大证券RSRS有效支撑策略 三指数轮动的策略 高鲁棒性统计套利策略 指数增强策略(Smartbeta策略) 日本砖块图 RENKO 基于百分位统计套利策略

15 金融工程 多因子合成单因子方法 Fama-French三因子策略

16 Portfolio

17 ETF基金和 PoF 策略 FoF基金概念

18 扩展金融数据处理 Python 的多CPU 并行处理

19 更多加速Python程序运行的技巧 放弃了MKL库，改使用OpenBlas

20 机器学习

你以为我开篇会教Python？No, no, no 程序员转行做量化，什么都要学，唯独Python编程不用学——

上手 Python 需要消耗的学习曲线，如果你是一个合格的程序员基本上可以忽略不计。我等程序猿都是老法师了，记住，面向谷歌编程，甚至面向StackOverflow编程都可以，在摸爬滚打中随手就查一下Google就解决Python的问题。其实最后你我花费在Python量化上时间越长，核心耗时算法转向Cython或者Rust的可能性更大，Python仅做数据读取抓取和胶水用途。Python的性能优化细节很多，但是不是首要考虑到，一开始能写出策略代码来就行了。

需要学Python入门的，你一定不是程序猿出身。出门左转报培训班去吧！

第一章 完毕，第二章

写在后面：这一系列学习笔记目标是受人与渔。对于打算寻找退路的程序员，先得告诉你们一些量化的潜规则：圣杯不会告诉别人，Alpha也一样。甚至有些大佬在网上发文介绍算法都会打“马赛克”，有意识的规避了某些重要的features的构造。另外我的量化体系是外行人的入门方式，不会完全跟着金融背景专业，金融工程车尾灯走，因为跟着他们的系统只能吃机构剩下的Alpha剩饭，这不是我们程序员想要的结果，所以金融专业大拿就不要来取笑我写的东西了，不是一路人，不入一路门，40岁程序员难道学完金工那套理论去私募应聘继续卷吗？对于币圈的朋友，我的系统最初就是按比特币现货测试的，对币圈我一直严格验证，并且实盘自动交易运行超过3个月，但是因为某些波折，我觉得币圈的交易所客服/OTC等用户体验实在是太没有资金安全保证，所以主要精力放在A股，不是本人没能力做数字币，所以不要无端的对我发送鄙视链。对某些技术的应用，尤其是机器学习，还有关于A股是不是部分有效市场是不是赌博的问题，不要人云亦云，多思考，形成自己的认知和结论，然后通过代码去实证，实践，不要在浏览器上通过html编辑器辩经，很cheap的。这个领域涉及的学科和知识点实在是太多太大，我也是入门不到1年的新手，很多心得Tips，大家请能说就说，在评论里面指点江山，最后又什么都不说的，我只能表示很遗憾。

本系列文章如果有代码，可以在我的程序员交友网站（大雾）找到。