Python学习课程安排表

1、从Python基础到数据清洗，到爬虫，到案例分析实战,还有Python量化与统计计量，allaboutPython等级课程时间方式Level1入门，从配置环境Python编程基础到能够上手5月6-9日四天北京/远程Level2Python数据清洗及统计描数据思维和数据清述洗5月13-15日三天北京/远程Level3学会网络爬虫Python爬虫收集数据5月20-21日的大北京/远程Level4Python数据才掘，算法及案例5月27-30日四天北京/远程专题Python量化投资基础+实战4月15-16,22-23日北京/远程专题Python统计计里4月28-5月1日上海/视频（课程详情请参照回复

2、）Levell-Python编程基础5月6-9日四天北京/远程3200/2600课程大纲：一，Python概述（0.5天）注：本部分课程主要为Python语言的介绍及基础环境的安装配置。0.1Python语言介绍、Anaconda科学计算集成介绍安装0.2Python编译器、Shell、编辑器介绍0.3Python的第三方包的管理0.4Python在数据分析领域的生态介绍二，Python编程基础（3.5天）注：本部分主要为讲解Python的基础编程知识，侧重于Python数据分析常用的功能和知识点进行讲解。课程安排：1.1 Python语言特点1.2 Python的数据类型和变量1.3 Pyt

3、hon中的运算1.4 Python的数据结构1.5 Python的控制流语句1.6 Python中的异常处理和调试1.7 函数调用和定义以及函数的参数1.8 Python的类和面向对象编程1.9 Python的文件、模块操作1.10 其他高级特性练习项目：- 蒙特卡罗模拟求圆周率- 冒泡算法和二分查找- 实现计算器- 堆栈和队列的实现- 模拟实现ATMM取钱- 求阶乘- 模拟管理学生成绩信息- 编程实现24点扑克游戏- 会员信息管理的实现- 虚拟水果店进销存系统- 投票系统- 汉诺塔问题- 离散事件模拟- 堆排序的实现Level2:Python数据清洗及统计描述5月13-15日三天北京/远程2

4、400/2000课程大纲：一，Numpy(NumericalPython)是高性能科学计算和数据分析的基础包，是数据分析几乎所有的高级工具的构建基础。Numpy基础- Numpy的ndarray- 数组的索引和切片- 数组的运算-常用的数组方法二，Pandas包提供了大量能使我们快速便捷地处理数据的函数和方法，它是Python成为强大而高效的数据分析环境的重要因素之一。Pandas基础应用-Series数据结构-DataFrame数据结构- 基本功能- 汇总和计算统计描述- 缺失值的处理Pandas数据规整- 数据加载&俞出- 数据集的合并- 数据集的重塑- 数据重构Pandas分组运

5、算-GroupBy技术- 数据聚合- 分组级运算和转换- 透视表和交叉表Level3:Python爬虫5月20-21日北京/远程1600/1300课程大纲：一，爬虫初级- 认识HTTP和Cookie及HTML介绍- 网络请求（urllib以及requests的介绍和安装）- 使用BeautifulSoup4库（静态网页解析）- 使用lxml库（XPath语法解析静态网页）- Python连接数据库（数据彳存）- logging、time模块的学习- 正则表达式的使用二，爬虫高级- 动态网页的抓取（PhantomJS和Selenium的使用）- Scrapy爬虫框架的安装和学习- 多线程爬虫-

6、规避网站信息采集陷阱Level4：Python数据挖掘、机器学习算法案例5月27-30日四天北京/远程4200/3600Python案例分析大全（但不局限于）：1 .文本挖掘原理和案例-数据可视化的各种方式2 .预测分析核心算法-Python图片结构和分析（图片的k-means聚类分析）3 .机器学习经典算法-图片的识别和分类：PCA建模4 .Python概率统计-二维手写数字识别（KNNp法）5 .数据可视化-推荐系统的构建（最近邻方法、协同过滤）6 .Python经典金融分析-垃圾短信或邮件的识别与分类（Logistic对文本的分类）7 .Python量化投资-新闻的文本分类（TF-IDF

7、准则、旅游新闻个性化推荐）8 .算法和模型的优化-人脸识别9 .模型精度评估和提升-朴素贝叶斯决策10 .特征选取的方法-酒的品质分类预测11 .最佳k-means分类数-机器学习的格点搜索和参数寻优12 .交叉验证（CV）-惩罚线性回归分类器13 .不平衡数据处理-使用支持向量机识别和分类14 .XGBoost-时间序列预测案例15 .贝叶斯分析-机器集成学习算法案例16 .逼近和最优化-Python随机模拟案例17 .概率图模型-Python金融分析案例18 .马尔科夫媛特卡罗-使用Python进行量化投资案例4500/3600Python量化投资4月15-16,22-23日四天北京/远程

8、课程大纲：基础班(一天)：Python语言基础与金融统计分析Part1:Python语言学习与应用1、Python语言简介2、运算符与表达式3、Python控制流4、Python函数5、Python模块6、异常处理与文件操作7、Python绘图8、NumpyO9、Pandas篇10、数据库连接Part2:金融统计分析概论1、统计学理论(1)统计学概论(2)描述性统计(3)参数估计(4)假设检验2、多变量相关性分析3、线性回归模型案例分析：案例一：大型股票数据库读取股票数据案例二：A股市场股票数据绘图案例三：交易数据描述性统计案例四：非金融专业数据获取方法实战班(三天)第一天：Part1:金融数

9、据处理高级编程1、Pandas深入分析2、金融因子数据生成3、常见的金融数据整理方式Part2 :量化投资概述1、投资策略回顾与比较2、基本面、技术分析和量化的联系与区别3、量化投资概述4、量化投资风险与管控Part3 :量化投资Python平台介绍1、数据获取2、回测框架介绍3、回测注意问题。案例分析：案例一：市盈率手动计算案例二：Panel数据的存储与提取案例三：简单的均线穿越策略实现第二天：Parti:市场描述策略描述性研究Part2:高级交易策略1、CTA策略2、大师选股策略3、市场中性选股策略4、技术指标类策略5、资产配置策略Part3:时间序列模型1、什么是时间序列数据2、时间序列

10、的平稳性检验与白噪声探讨3、时间序列平滑4、【SMAWMAEWMA5、金融时间序列建模预测6、ARMAARIMA模型】7、波动的集聚效应案例分析：案例一：如何通过各种数据描述当前市场状态案例二：CTA策略案例三：经典大师选股策略案例四：市场中性选股策略案例五：技术指标类选股策略案例六：资产配置策略案例七：时间序列策略第三天：Parti：投资组合基本概念1、超额Alpha选股2、CAPMII型3、三因子模型选股Part2:投资组合构建1、单因子测试2、多因子测试3、常见的组合构建方法Part3:数据挖掘算法在量化投资中的运用1、逻辑回归与涨跌预测2、支持向量机模型与涨跌预测3、聚类与股票配对Pa

11、rt4舆情分析与关注度模型1、文本挖掘概述2、文本处理技巧3、中文分词案例分析：案例一：单因子全套测试代码案例二：组合构建案例案例三：文本数据处理案例Python统计计量4月28-5月1日四天上海/视频3200/1500课程大纲：Part-1Python初探01.Python语法结构概览教学内容：兼顾应用广泛的Python2.x与日益兴盛的Python3.x,从最基本的原理和语法格式入手，教授Python的基础内容。教学目的：深入Python的流程控制语句，夯实基础，这部分内容将贯穿课程始终，熟练到就算没有开放的扩展库，自己也能根据公式做模型。1.1 一个概览式的例子1.2 基本语法与数据1.

12、3 条件与条件语句1.4 循环与嵌套1.5 循环控制语句02.Python函数与数据结构教学内容：Python基础的核心内容。教学目的：了解各类函数、参数和变量的区别和联系，能够提升编程质量，使内容更加完善与流畅。2.1 认识与定义函数2.2 参数形式与返回值2.3 内置函数形式2.4 变量类型及应用2.5 数据结构及应用03.数据处理与计算教学内容：介绍的丰富且成熟的第三方扩展库，解读数据分析的逻辑和分析结果。教学目的：学会使用Python进行更加便捷的数理统计与计量分析，结果更加全面，解释性更强。3.1 常用模块概览3.2 数据的导入与导出3.3 描述性数据统计3.4 两总体对比推断3.5

13、 方差分析3.6 卡方检验3.7 非参数统计分析04.数据清洗教学内容：检查数据一致性、处理无效值和各种填补缺失值的方式。教学目的：迈出数据处理的第一步，能够识别并处理不清洁的数据，使数据更有利于后续的数据分析与挖掘。4.1 数据的整理4.2 数据的集成4.3 原始数据变换4.4 数据归约4.5 处理缺失值Part-2关于截面数据05.线性回归模型教学内容：学会使用最单纯也是最实用且频频出现在Top期刊中的线性回归模型。教学目的：学会使用Python固定语句进行回归，合理地构建模型、选择变量、解释结果。5.1 小样本&大样本OLS5.2 使用虚拟变量5.3 非线性回归处理5.4 异方差

14、5.5 自相关5.6 主成分分析（PCA与因子分析（FA）06.内生性的解决办法教学内容：处理各类研究中如影随形的内生性问题。教学目的：能够完爆一个内生性，并使用Python处理内生性，使论文轻松达到“A-level6.1 工具变量法（IV）6.2 两阶段最小二乘拆解内生性（2SLS）6.3 广义矩估计（GMM6.4 倍分法07.离散变量模型教学内容：介绍最早的离散选择模型一一Logit/Probit模型，这是很多0/1选择问题的主要方法，也是社会学、心理学、经济学、市场营销等统计实证分析的常用方法。教学目的：学会针对不同的问题选择合适的离散选择模型解决问题，并解释结果。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 计数模型Part-3关于时间序列08.平稳时间序列分析教学内容：时间序列分析的基础，一般的时间序列分析往往都是针对平稳序列，对于一些非平稳序列，也会通过某些变换转成平稳序列来处理。教学目的：学会识别平稳时间序列，并使用Python进行一系列后续分析与预测，得出并解释分析结果。8.1 时间序列特征8.2 ARMA基本逻辑及应用8.3 自回归分布滞后模型8.4 自相关与偏自相关8.5 向量自回归09.非平稳时间序列教学内容：与平稳时间序列具有