如何从零基础开始学习Python金融量化？

引言

让我们来观察一下几种常用编程语言在微信上的搜索指数对比，这可以在一定程度上反映出人们的关注度，显而易见，Python的搜索指数在过去三个月内一直保持最高，Python之所以如此受欢迎，主要是因为它对于初学者和完成常规任务来说非常简单易用，在进行高度抽象的计算时，高级的Python程序设计可能会变得相当复杂，鉴于许多关注本公众号的朋友在后台询问“Python入门”，我认为有必要分享一下对于零基础者如何学习Python，特别是结合个人经验，分享Python在金融量化和数据分析方面的学习路径。

01 确立学习目的

在学习Python之前，一定要明确自己学习Python的目的，学习Python的目的是为了能够运用这门语言解决实际问题，Python的应用领域非常广泛，学完Python基础知识后，如果应用方向不同，需要学习的内容也会有很大差异，如果你想用Python进行数据分析和金融建模，学完Python基础知识后，却去学习Django、Flask框架和Web开发，这就像我们想去上海却买了去北京的机票一样，尽管如此，还是有人会犯这样的错误，一开始就急于开始学习。

个人经验：

我学习Python的原因是因为在数据分析和金融量化分析方面，Python具有强大的功能，而且是免费的，它基本上涵盖了“数据获取、数据处理、数据分析、数据可视化”的所有环节，无论是在写论文还是实际工作中都非常有用。

02 规划好学习路径

在确定了学习方向和目的之后，下一步就是沿着这个方向建立自己的学习路线图，形成一个系统性的逻辑主线，这可以帮助你明确每个部分需要完成的目标，需要学习哪些知识点，以及哪些知识是暂时不必要的，特别是对于我们这些职场人士来说，很多时候没有大量的时间来集中学习，学习时间通常被分割成一些碎片化的时间，在碎片化的时间里，系统性地学习一门知识，更需要有一个贯穿始终的、系统的逻辑主线，来连接所有相关碎片化时间的学习。

个人经验：

当我确定了学习Python的数据分析和金融量化投资方向后，我按照“基础知识、数据爬取、文本分析、金融量化、机器学习、深度学习”的顺序，为自己建立了学习路线图：

• Python基础知识
• 金融量化常用库学习，如：Numpy、Pandas、Scipy、Matplotlib等
• 爬虫基本知识+财经网站数据开源库，如：Scrapy、tushare、baostock等
• 文本分析（NLP处理、词云分析、jieba分词）
• 机器学习（sklearn）
• 深度学习（TensorFlow）

建议安装Anaconda，它自带Jupyter Notebook和Spyder，我个人更喜欢使用Jupyter Notebook来交互运行Python程序，公众号上的文章和代码也都是使用它来完成的，文字使用Markdown编译，至于Python基础，我推荐阅读廖雪峰的Python 3入门教程（可在百度搜索）。

03 建议干中学

以解决学习或工作中的实际问题为指导原则，在学习和工作中，我们需要的更多是一种解决问题的系统性思维，很多人会问，有没有什么快速入门的教程之类的，但实际上没有什么牛逼的事情是能够速成的，越是底层的、收益周期越长的技能越是这样。“大道甚夷，而人好径，终为所误”，我们总会在踩了无数的坑后，才恍然大悟：捷径往往是最长的弯路，学习Python，对于零基础的人来说，在短时间内入门相对容易，但要进阶为高手，没有长时间的投入和练习，基本上是异想天开。

推荐资源

以下是一些推荐的资源，包括国内外的在线量化平台和开源框架，它们可以帮助你在金融量化领域进行学习和实践：

• 国内在线量化平台：
  • BigQuant - 人工智能量化平台，可以无门槛地使用机器学习、人工智能开发量化策略。
  • 优矿 - 通联量化实验室。
• 国外量化平台：
• Quantopian - 研究、回测、算法众包平台。
• 开源框架：
• Pandas - 数据分析包。
• Zipline - 一个Python的回测框架。
• vnpy - 基于Python的开源交易平台开发框架。
• tushare - 财经数据接口包。
• easytrader - 进行自动的程序化股票交易。
• pyalgotrade - 一个Python的事件驱动回测框架。
• pyalgotrade-cn - 整合了tushare提供实时行情。
• zwPython - 集成式Python开发平台。
• quantmod - 量化金融建模。
• rqalpha - 基于Python的回测引擎。
• quantdigger - 基于Python的量化回测框架。

Python金融量化