第 49 篇：学习路线图与优质资源汇总

四十八篇走下来，从 print("hello") 到带风控的回测系统，你已经具备了一套完整的「个人量化基本功」。本篇是合集的倒数第二篇，做两件事：一是能力自检清单——用「能独立完成什么」检验你的掌握程度（而不是「看过什么」）；二是资源地图——接下来读什么书、用什么开源项目、跟哪些社区，以及如何在中立的立场上辨别资源成色。

本篇目标

• 能对照三阶段自检清单，定位自己当前的层级与短板
• 能获得一份按「为什么读」组织的书单与开源项目清单
• 能建立对信息源（公众号/论坛/课程）的甄别框架，不交智商税
• 能规划合集毕业后的 6 个月学习路线

核心概念

三阶段能力自检

量化能力的分层不在于「知道多少概念」，而在于能独立交付什么。对照下面的清单，每项都能不查资料完成才算过关：

阶段一 · 工具层（对应本合集 01–16 篇）

• [ ] 能用 pandas 读入一份 CSV 行情并完成清洗、存储（第 4、8 篇）
• [ ] 能手写 SMA/EMA/RSI/MACD/ATR 并与库函数核对一致（第 10–14、16 篇）
• [ ] 能画出带成交量的双轴 K 线图与指标图（第 6 篇）

阶段二 · 策略层（对应 17–36 篇）

• [ ] 能写出无未来函数、含成本的向量化与事件驱动回测（第 18、20 篇）
• [ ] 能计算并解读年化/夏普/最大回撤/Calmar 全家桶（第 19 篇）
• [ ] 能做 Walk-Forward 验证并解释样本内外差异（第 25 篇）
• [ ] 能独立实现动量、回归、轮动三类策略并知道各自的死穴（第 27–34 篇）

阶段三 · 工程与实盘层（对应 37–48 篇）

• [ ] 能搭出分层项目结构并用 git 管理参数版本（第 41、44 篇）
• [ ] 能部署数据管道 + 监控告警并演练过断线恢复（第 42、43、45 篇）
• [ ] 能纸面交易一个季度后输出切换评审报告（第 46 篇）
• [ ] 能写出自己的风控清单并解释每个参数的由来（第 48 篇）

划重点：自检的判定标准是「能不能不翻教程做出来」。翻着第 18 篇抄出回测不算掌握——合上教程，从空文件开始，两小时内写出带成本的双均线回测，才算阶段二入门。没达标的条目，回到对应篇章把练习重做一遍，比重读正文有效得多。

书单：按「为什么读」组织

入门后值得读的书不多而精，每本先说清楚「它能给你什么」：

顺序建议：先 Chan（方法论框架），再 McKinney（工具精进），需要深挖 ML 再上 Prado——直接啃 Prado 大概率劝退。

开源项目与数据源

数据源的提醒：免费源（akshare 聚合的各类公开接口）适合学习与研究，严肃回测前要校验（第 42 篇的校验思路）；机构级数据（Wind、聚源）价格不菲，个人阶段不必强求。

信息甄别：中立框架

公众号、论坛、付费课程，用四问过滤：

1. 它给出可复现的方法还是只给结果？——「年化 35%」是故事，「信号规则 + 样本外验证方法」才是知识；
2. 它的收益宣称有没有对应的成本与回撤？——只报收益不报最大回撤与容量的，直接降权；
3. 它卖的是渔还是鱼？——卖「策略代码」的要警惕（策略失效快且无法自修），教方法论的相对可信；
4. 它的动机是什么？——引流开户、卖课、卖软件的 content，把「客观性」打三折再读。

划重点：付费课程不是不能买，而是买之前先用本合集的免费内容自测——如果免费内容（文档、开源项目、本系列）已经能让你跑通全流程，你缺的就不是课程，是练习时间。真要买，优先买「答疑与陪伴」而不是「秘籍」。

社区与信息源地图

值得常驻的信息源按「信噪比」排序：官方文档（akshare/backtrader/pandas 的 docs，永远第一手且随版本更新——第 47 篇坑「接口凭记忆写」的正解）；开源项目的 GitHub Issues（真实报错与解决方案的富矿，你遇到的坑八成有人提过 issue）；论文平台（arXiv 的 q-fin（量化金融）分区，进阶后看因子与 ML 论文的原文，警惕只读二手解读）；中文社区（如聚宽/掘金等量化平台的社区帖、知乎的量化话题——用四问框架过滤后择优）。公众号与短视频作为「信息雷达」可以，作为「知识主粮」不行——主粮永远是文档、源码与论文。

一个实用的信息处理习惯：看到有价值的碎片，立刻动手复现十分钟。复现不了就存进「待验证」清单并定期清理——收藏夹里只有「验证过」和「待验证」两类，没有「看过就算会了」这类。

毕业后 6 个月路线建议

第 1–2 月：重做薄弱篇章的练习 + 精读 Chan，把自家回测框架打磨到"阶段三"标准
第 3–4 月：选一个策略方向（轮动/多因子/配对）深耕，跑 Walk-Forward + 纸面交易
第 5 月：  按 46 篇清单准备实盘评审，小资金上线一个策略
第 6 月：  复盘实盘 vs 纸面 vs 回测的三重差异，写一份自己的"偏差报告"

路线的核心思想：从「学新东西」切换到「做深一件事」。量化入门者的常见陷阱是无限横向学习——永远在第 3 篇讲义里找第 30 篇的答案，而不肯把一个策略从回测追到实盘。横切面已经够了，该打井了。

完整代码（本篇的「代码」是路线落地的工具：能力自检与资源追踪脚本）

学到的工具用在自己身上，是最好的复习。下面两个小工具把「自检清单」和「资源管理」变成可执行的代码。依赖：uv pip install pandas（标准库为主）。

# ---------- 1. 能力自检追踪器：把三阶段清单落成可打分的档案 ----------
import json
from datetime import date
from pathlib import Path

CHECKLIST = {
    "阶段一 · 工具层": [
        "能用 pandas 读入 CSV 行情并完成清洗、存储",
        "能手写 SMA/EMA/RSI/MACD/ATR 并与库函数核对",
        "能画出带成交量的双轴 K 线图与指标图",
    ],
    "阶段二 · 策略层": [
        "能写出无未来函数、含成本的向量化与事件驱动回测",
        "能计算并解读年化/夏普/最大回撤/Calmar",
        "能做 Walk-Forward 验证并解释样本内外差异",
        "能独立实现动量、回归、轮动三类策略并知道各自死穴",
    ],
    "阶段三 · 工程与实盘层": [
        "能搭出分层项目结构并用 git 管理参数版本",
        "能部署数据管道+监控告警并演练过断线恢复",
        "能纸面交易一个季度后输出切换评审报告",
        "能写出自己的风控清单并解释每个参数的由来",
    ],
}

def self_check():
    """逐项问自己：不查教程能做出来吗？只在此时此刻诚实打勾"""
    result = {"date": str(date.today()), "stages": {}}
    for stage, items in CHECKLIST.items():
        passed = 0
        for it in items:
            ans = input(f"  [y/n] {it}: ").strip().lower()
            passed += (ans == "y")
        result["stages"][stage] = {"passed": passed, "total": len(items)}
    # 追加到档案，长期看进步曲线
    f = Path("skill_history.json")
    history = json.loads(f.read_text(encoding="utf-8")) if f.exists() else []
    history.append(result)
    f.write_text(json.dumps(history, ensure_ascii=False, indent=2),
                 encoding="utf-8")
    for stage, s in result["stages"].items():
        print(f"{stage}: {s['passed']}/{s['total']}")
    return result

# self_check()   # 取消注释交互运行；建议每月重跑一次

# ---------- 2. 资源四问过滤器：把收藏夹变成验证台账 ----------
def resource_filter(name, url, notes):
    """对每个待收藏资源回答四问，不达标直接劝退"""
    questions = [
        ("Q1 可复现: 给出规则+验证方法而非只给结果? [y/n]", 2),
        ("Q2 完整性: 收益宣称附带成本与回撤? [y/n]", 2),
        ("Q3 卖渔还是卖鱼: 教方法论而非卖代码? [y/n]", 1),
        ("Q4 动机: 无开户/卖课等强利益绑定? [y/n]", 1),
    ]
    score, details = 0, []
    for q, w in questions:
        ans = input(q + " ").strip().lower()
        if ans == "y":
            score += w
        else:
            details.append(q.split(":")[0])
    verdict = "优质，可入主粮" if score >= 5 else (
        "参考，仅作雷达" if score >= 3 else "劝退，不值得花时间")
    entry = {"name": name, "url": url, "score": score,
             "verdict": verdict, "failed": details, "notes": notes}
    f = Path("resource_ledger.json")
    ledger = json.loads(f.read_text(encoding="utf-8")) if f.exists() else []
    ledger.append(entry)
    f.write_text(json.dumps(ledger, ensure_ascii=False, indent=2),
                 encoding="utf-8")
    print(f"{name}: {score}/6 → {verdict}")
    return entry

# resource_filter("akshare文档", "akshare.akfamily.xyz", "数据接口第一手")

代码逐段解释

1. 自检追踪器：把上文三阶段清单数据化。关键设计是追加式档案（skill_history.json）——每月跑一次，长期看的是通过率的斜率而不是单次分数；「不查教程能做出来」的判定标准在前文已述，脚本只是把诚实记录变成习惯。输入用最朴素的 input 交互，重点在流程不在界面。
2. 四问过滤器：把中立甄别框架变成打分器——四问各带权重（可复现与完整性各 2 分，因为它们是知识成色的硬指标），5 分以上才配进「主粮」。resource_ledger.json 同样是台账式追加，收藏夹里从此只有「验证过」和「待验证」两类。两个脚本都是几十行标准库，但它们把本篇最反人性的两件事（诚实自检、拒绝资源囤积）交给了代码。

常见坑与小练习

常见坑

1. 收藏夹吃灰：书单存了 20 本、开源项目 star 了 50 个，一个都没读完。承认精力有限：同一时期只开一本 书 + 一个项目。
2. 资源成瘾替代动手：刷「量化入门必看」帖子的时间超过写代码的时间。设定比例：每 1 小时输入配 2 小时动手。
3. 盲目追新（大模型、高频、强化学习）：地基没打牢就追前沿，学到的只是名词。先让第 50 篇的结业项目落地，再谈扩展。
4. 用「资源不够」当进度慢的借口：本合集 + 免费开源项目足够支撑到实盘阶段。卡住的原因几乎总是练习量，不是资源量。

小练习

1. 做一次诚实的自检：把三阶段清单逐条打勾，统计各阶段通过率，并列出「最低分的三个条目」作为下月主攻方向。

   思路提示：不查教程试做一遍再打勾；「感觉会」不算，做出来才算。

2. 从书单里选一本，制定四周阅读计划（每周一章 + 一个复现实验），把计划写进日历。

   思路提示：Chan 的每章末尾都有可复现的策略思路，与第 18 篇框架结合做实验最划算。

3. 用四问框架分析你关注列表里的三个量化公众号，写一份半页的「成色评估」，决定取关哪些。

   思路提示：评估重点看它们的历史文章里「方法可复现率」——有多少篇给了规则与验证，多少篇只给了结果与情绪。

本文策略仅用于教学，不构成投资建议，实盘前请充分测试。