引言
春去秋来，公众号“Python金融量化”已坚持了四个年头，全网关注量10万+。在公众号阅读量急剧下降，短视频盛行的当下仍坚持文字输出着实不容易。这一路走来非常感谢广大读者的支持，尤其是感谢知识星球圈友，累计付费人数1600+，知识付费是公众号坚持原创输出的最大动力。
今年最大的成就是基于公众号沉淀和网上资源开发了 qstock 量化分析包，目前包括数据获取（data）、可视化(plot)、选股(stock)和量化回测（backtest）四个模块。目前qstock面向读者开源，直接通过“pip install qstock ”进行安装，或通过’pip install –upgrade qstock’进行更新，部分策略选股和策略回测功能仅供知识星球会员使用，会员可在知识星球置顶帖子上上获取qstock-vip-1.3.3.tar.gz （强化版）安装包。关于qstock的数据、可视化、选股和回测等详细教程请参阅以下推文：
【qstock开源了】数据篇之行情交易数据
【qstock数据篇】行业概念板块与资金流
【qstock量化】数据篇之股票基本面数据
【qstock量化】数据篇之宏观指标和财经新闻文本
【qstock量化】动态交互数据可视化
【qstock量化】技术形态与概念热点选股池
【手把手教你】使用qstock实现量化策略选股
【手把手教你】使用qstock进行量化回测
学习是一个循序渐进的过程，只有通过不断的总结才能形成系统的知识框架。通过对四年来发布的90多篇原创文章进行梳理，归纳成四个大的部分，包括Python入门篇 、金融数据篇、量化分析篇和策略回测篇 ，形成了较为完整的框架体系供大家学习参考。
01 Python入门篇
这一部分主要是关于Python金融量化入门学习路径、量化资源，以及numpy、pandas、matplotlib等量化常用库的入门和应用。Python的编译软件有很多，个人建议安装Anaconda，自带Jupyter notebook和Spyder，其中Jupyter在交互式编程与数据分析上功能十分强大，公众号上所有文章都是基于Jupyter写的。
首先，结合个人经验分享Python金融量化的学习路径，以及分享Python从入门、进阶、到高阶的学习资料，以及金融投资相关书籍（PDF）。
1.1【Python金融量化】零基础如何开始学？
1.2【推荐收藏】倾心整理的Python量化资源大合集
其次，关于Numpy（数组矩阵）、Pandas（数据处理分析）、Matplotlib（可视化）、Seaborn（可视化）、Sklearn（机器学习）等金融量化常用库的入门和应用。
1.3【手把手教你】玩转Python量化金融工具之NumPy
1.4【手把手教你】玩转Python金融量化利器之Pandas
1.5【建议收藏】Matplotlib可视化最有价值的50张图
1.6【手把手教你】Seaborn在金融数据可视化中的应
1.7【手把手教你】玩转机器学习 Sklearn
1.8【手把手教你】股票可视化分析之Pyecharts（一）
1.9【手把手教你】股票可视化分析之Pyecharts（二）
02 金融数据篇
本部分主要是使用Python获取股票行情、上市公司基本面、宏观经济以及财经新闻等数据，对其进行可视化分析，使用Postgresql （sqlite3）搭建本地量化分析数据库，以及如何使用qstcok免费开源库在线获取行情数据、板块资金流数据、宏观基本面和财经新闻数据等。
2.1【手把手教你】Python获取交易数据
2.2【Python金融量化】上市公司知多少？
2.3 Python量化选股初探
2.4 2018你不可不知的十大关键词
2.5【手把手教你】Python获取财经数据和可视化分析
2.6【文本挖掘】Python带你笑看江湖
2.7【Python金融量化】财经新闻文本分析
2.8【手把手教你】搭建自己的量化分析数据库
2.9【手把手教你】Python面向对象编程入门及股票数据管理应用实例
3.0【qstock开源了】数据篇之行情交易数据
3.1【qstock量化】数据篇之宏观指标和财经新闻文本
3.2【qstock数据篇】行业概念板块与资金流
03 量化分析篇
本部分涉及内容比较多，包括使用Python做对A股市场进行探索性分析，金融统计分析、蒙特卡洛模拟，时间序列建模，Talib技术分析、投资组合、多因子模型分析和基本面量化分析等。
A股数据探索性分析：
3.1【Python量化】股票分析入门
3.2 A股指数图谱：是否有月份效应？
3.3【Python金融量化】A股沉浮启示录
3.4【宏观量化】股市趋势与拐点如何看？
3.5 2005-2020年A股数据挖掘：谁是最大的牛股？【附Python分析源码】
3.6 机器学习刻画股票市场结构和可视化——以上证50成分股为例
3.7【Python量化】股票涨停板探索性分析与数据挖掘
时间序列专题：
3.8【手把手教你】时间序列之日期处理
3.9【Python量化基础】时间序列的自相关性与平稳性
3.10【手把手教你】使用Python玩转金融时间序列模型
3.11 Python玩转金融时间序列之ARCH与GARCH模型
3.12 资产收益率的非平稳性——为何机器学习预测效果不佳？
3.13 基于Markov区制转换模型的股票波动分析
3.14【手把手教你】使用Python实现统计套利
3.15 股市牛熊兴替——时间序列相似性量化分析
TA-Lib与股票技术分析：
3.16 【手把手教你】股市技术分析利器之TA-Lib（一）
3.17 【手把手教你】股市技术分析利器之TA-Lib（二）
3.18 【手把手教你】量价关系分析与Python实现
3.19 【手把手教你】Python量化股票市场情绪指标ARBR
3.20 【手把手教你】动量指标的Python量化回测
3.21 【Python量化】如何利用欧奈尔的RPS寻找强势股？
3.22 【手把手教你】Python实现量价形态选股
3.23 牛股价量探索性分析与趋势指标可视化
3.24【手把手教你】使用Python对股价的Heikin Ashi蜡烛图进行可视化
3.25 趋势预测：基于期货未平仓合约、展期和FII/DII指标【附Python源码】
3.26【交易系统与方法】价格噪音的量化与应用
3.27【交易系统与方法】统计学基本概念与市场分析应用
投资组合分析与多因子模型 ：
3.28 什么是多因子量化选股模型？
3.29 单因子测试框架分享
3.30 如何对选股因子进行量化回测？
债券与期权衍生品之QuantLib入门与应用：
3.31【手把手教你】固定收益和衍生品分析利器QuantLib入门
3.32【手把手教你】使用QuantLib进行债券估值和期权定价分析
比特币量化分析：
3.33 比特币交易者的行为模式分析【附 Python 源码】
基本面量化分析：
3.34【手把手教你】使用Python构建股票财务指标打分系统
3.35 高管增持股价一定会上涨吗？【附Python代码】
3.36【Python量化】如何监测领涨板块，挖掘题材龙头股？
04 策略回测篇
本部分主要是使用Python分析量化策略的评价指标，指数定投策略、机器学习、海龟交易法则和均值回归策略等，以及专题介绍backtrader回测系统的运用和使用qstock进行量化回测。
量化交易策略概述及评价指标：
4.1 【干货分享】一文讲透量化投资方法论体系
4.2 【量化回测】如何规避陷阱及评价策略？
4.3 【手把手教你】Python量化策略风险指标
4.4 【手把手教你】使用pyfinance进行证券收益分析
4.5 【手把手教你】Python实现基于事件驱动的量化回测
4.6 Pyfolio一行代码实现专业量化回测图表
构建交易策略并进行简单的量化回测：
4.7 Python数说指数定投策略
4.8【Python量化】怎么在基金定投上实现收益最大化
4.9【手把手教你】使用Logistic回归、LDA和QDA模型预测指数涨跌
4.10 【手把手教你】使用RNN深度学习预测股票价格
4.11 手把手教你用Python搭建自己的量化回测框架【均值回归策略】
4.12【手把手教你】用Python量化海龟交易法则
4.13 A股存在月份效应吗？构建月度择时策略【附Python源码】
4.14 北向资金能预示大盘涨跌？【附Python源码】
4.15【手把手教你】获取股票数据并进行量化回测——基于ADX和MACD趋势策略
4.16【量化实战】跟随龙虎榜个股交易能获利吗？
4.17【手把手教你】使用qstock进行量化回测
4.18【手把手教你】基于均线排列的价格动量策略回测
机器学习与量化交易：
4.19【Python量化】使用机器学习预测股票交易信号
4.20【手把手教你】利用神经网络构建量化交易策略
开源回测框架backtrader专题系列：
4.21 【手把手教你】入门量化回测最强神器backtrader（一）
4.22【手把手教你】入门量化回测最强神器backtrader（二）
4.23【手把手教你】入门量化回测最强神器backtrader（三）
4.24 backtrader如何加载股票因子数据？以换手率、市盈率为例进行回测【附Python代码】
4.25 如何用backtrader对股票组合进行量化回测？
4.26【手把手教你】用backtrader量化回测海龟交易策略
4.27 backtrader股票技术指标自定义与量化回测
4.28【手把手教你】Ichimoku云图指标可视化与交易策略回测
4.29【backtrader回测】隔夜持仓 VS 日内交易
结语
一切过往，皆为序章。最后以曾国藩的人生感言作为结语，“物来顺应，未来不迎，当时不杂，既过不恋”。
上一篇
