2-3 小时预计学习时间
AI 是辅助工具，不替代数据验证
AI 在数据研究学习里，更适合作为辅助工具。它可以帮助学习者整理课程笔记、解释代码逻辑、总结研究框架、生成学习清单、检查研究思路是否完整，并把复杂概念改写成更易理解的内容。
- 整理资料和研究问题。
- 解释 Python 代码结构。
- 辅助生成学习清单。
- 检查研究流程是否遗漏关键步骤。
- 把复杂概念转成更清楚的表达。
最终的研究结论仍需依靠数据验证、样本复核和历史样本验证结果支持。
把市场观察转成可计算变量
因子可以理解为一个用来解释或辅助判断的变量。常见因子包括动量因子、波动因子、成交量因子、均线因子和回撤因子。
- 提出一个可观察的研究假设。
- 把研究假设转化成计算公式。
- 检查因子分布是否异常。
- 复核因子与后续样本结果之间的关系。
- 纳入历史验证框架继续复核。
一个因子看起来合理，不代表它一定稳定，必须经过样本复核、不同时间段验证和成本假设检查。
理解模型流程和过拟合风险
机器学习可以用来辅助识别数据里的模式。一个入门级流程通常是：准备数据、构建特征、定义标签、划分训练集和测试集、训练模型、评估结果、观察模型是否稳定。
- 特征可以来自价格、成交量、波动率和技术指标。
- 标签可以描述后续样本的方向、变化区间或风险状态。
- 训练集用于学习模式，测试集用于复核稳定性。
- 过拟合会让模型只适合过去样本。
模型结果不能直接作为结论，需要结合历史样本验证、样本外复核及风险解释综合判断。
用项目走通完整研究路径
这一部分设计成项目式练习，让学员走通从数据到结果的完整流程：读取数据、清洗数据、设计因子、计算因子值、检查因子表现、构建简单研究框架、输出结果报告。
- 给定一份历史样本数据。
- 设计一个可计算因子。
- 观察它能否帮助解释后续价格变化。
- 输出因子分布、样本统计和风险备注。
- 形成可以复盘的研究总结。
项目训练的价值，是把零散知识串成完整流程，而不是追求复杂模型。
PARTNERSHIP
GMA × PandaAI 合作展示
PandaAI 辅助学习
PandaAI 聚焦 AI 工具应用与教育场景，可用于辅助理解代码、整理研究思路、生成学习清单和完成项目复盘。
因子研究训练
因子项目把学习内容转化为实践任务，帮助学员完成数据处理、因子构建、结果评估和研究总结。
AUDIENCE
适合人群
有 Python 基础
适合已经会运行简单 Python 代码，并愿意动手处理数据的人。
关注 AI 辅助研究
适合已经理解基础量化概念，想进一步了解 AI 如何辅助整理思路和理解代码的人。
重视系统流程
适合想了解完整研究流程的人，重点是建立清楚框架，而不是追求复杂模型。
了解课程安排 →教育内容 · 不构成个性化操作建议