σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academy路线图学习路线
Ctrl K
AO
+1.2k 位学习者
登录加入 ↗
路线图学习路线
AO
+1.2k 位学习者
登录
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

在实践中学习量化开发:短课程、评分实验和真实的 IDE,尽在浏览器中。

学习
全部路线图所有学习路线Python 学习路线C++ 学习路线即将推出OxCaml 学习路线即将推出Market Structure 学习路线Calculus 学习路线Linear Algebra 学习路线Probability 学习路线Statistics 学习路线Matrix Decompositions 学习路线Optimization 学习路线Time Series 学习路线Stochastic Calculus 学习路线Bayesian Inference 学习路线
支持
给我们反馈请我们喝杯咖啡
法律
隐私政策服务条款
© 2026 QuantCraft Solutions. 保留所有权利。
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academy路线图学习路线
Ctrl K
AO
+1.2k 位学习者
登录加入 ↗
路线图学习路线
AO
+1.2k 位学习者
登录
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
学习路线›Bayesian Inference
B

Bayesian Inference 学习路线

已上线从这里开始

回测只给出一个数,可你该有多相信它?贝叶斯推断给出的不是单一猜测,而是一整段合理取值的范围。本技能用浅显的步骤讲解,配有简短练习(要计算的数、要排序的步骤、要配对的概念)和金融示例:先验信念与几天的结果如何结合,为什么 10 天赢 7 天的策略还不算被证明,怎样读可信区间并据此决策,采样器如何探索没有公式的后验,为什么许多股票的平均收益应当互相拉近,以及如何公平地比较两个模型。综合项目是一个代码实验:亲手写出采样器和收缩,并用在真实股票收益上。

3 个模块10 个评分实验~10小时中级 → 高级
开始学习路线

先修要求

需要概率基础(条件概率、常见分布),具备基础统计知识会有帮助。无需贝叶斯背景。

  • PProbability
  • SStatistics

课程大纲

10 个主题 · 可按任意顺序打开任一主题
  1. 1先验 似然与后验未开始50分钟开始
  2. 2共轭模型:贝塔二项与正态未开始50分钟开始
  3. 3后验区间与决策未开始45分钟开始
  4. 4贝叶斯线性回归未开始1小时开始
  1. 5从零实现 Metropolis-Hastings未开始1小时 5分钟开始
  2. 6吉布斯采样未开始55分钟开始
  1. 7层次模型与收缩未开始1小时开始
  2. 8模型比较与贝叶斯因子未开始50分钟开始
  3. 9策略表现的贝叶斯更新未开始55分钟开始
  4. 10综合项目:真实股票上的贝叶斯夏普比率与收缩未开始1小时 30分钟开始

完成条件

以 70 分以上通过全部 10 个实验,即可完成学习路线,并在个人资料中获得 贝叶斯推断 徽章。

0 / 100%

先修要求

需要概率基础(条件概率、常见分布),具备基础统计知识会有帮助。无需贝叶斯背景。

  • PProbability
  • SStatistics

你将用到的工具

PythonNumPypandaspytest

你将学到

  • 把先验与数据结合得到后验,并用通俗的话说明每一部分的含义
  • 使用共轭模型和贝叶斯回归,读懂可信区间并据此决策
  • 编写 Metropolis-Hastings 和吉布斯采样器,并检查链是否充分探索了后验
  • 用层次模型收缩有噪声的估计,并用贝叶斯因子比较模型
  • 给夏普比率加上诚实的误差范围,并用真实收益检验收缩是否预测得更好
uantCraft Academy

在实践中学习量化开发:短课程、评分实验和真实的 IDE,尽在浏览器中。

学习
全部路线图所有学习路线Python 学习路线C++ 学习路线即将推出OxCaml 学习路线即将推出Market Structure 学习路线Calculus 学习路线Linear Algebra 学习路线Probability 学习路线Statistics 学习路线Matrix Decompositions 学习路线Optimization 学习路线Time Series 学习路线Stochastic Calculus 学习路线Bayesian Inference 学习路线
支持
给我们反馈请我们喝杯咖啡
法律
隐私政策服务条款
© 2026 QuantCraft Solutions. 保留所有权利。
QuantCraft
登录加入 ↗
登录