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Hidden Markov Models 学习路线Particle filtering and non-stationary time series 学习路线scikit-learn 学习路线statsmodels 学习路线SciPy 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›SciPy

SciPy 学习路线

已上线从这里开始

SciPy 是大多数数值金融代码背后的工具箱。本技能讲授量化人员每周都会用到的部分,配有简短练习(要计算的数、要排序的步骤、要配对的工具)和金融示例:为什么正态曲线会低估 1% 的损失,牛顿法与括区间方法如何找到债券收益率,稳健损失如何对待离群报价,为什么不应外推三次样条,远期曲线如何变成贴现因子,为什么布莱克–斯科尔斯需要正态函数和 vega,为什么要求解而不是求逆,稀疏存储何时划算,为什么零相位滤波器无法交易,以及聚类如何绘出分散化地图。综合项目是一个代码实验:亲手构建纳尔逊–西格尔曲线、债券价格与收益率、隐含波动率和微笑拟合,并在真实数据上运行。

3 个模块14 个评分实验~11小时中级 → 高级
开始学习路线

先修要求

需要熟悉 Python 和 NumPy,并具备中学水平的微积分与基础统计知识。

  • Python

课程大纲

14 个主题 · 可按任意顺序打开任一主题
  1. 1用 scipy.stats 做分布与拟合未开始45分钟开始
  2. 2实验:拟合收益率分布并检验拟合未开始45分钟开始
  3. 3实验:假设检验与自助法未开始45分钟开始
  4. 4最小化与求根未开始50分钟开始
  5. 5实验:用 minimize 构建带约束的组合未开始50分钟开始
  6. 6最小二乘与曲线拟合未开始50分钟开始
  1. 7曲线的插值与样条未开始45分钟开始
  2. 8用 quad 与 ODE 求解器积分未开始45分钟开始
  3. 9期权定价中的特殊函数未开始40分钟开始
  1. 10scipy.linalg 中的线性代数要点未开始45分钟开始
  2. 11稀疏矩阵未开始45分钟开始
  3. 12信号滤波与频谱未开始50分钟开始
  4. 13空间距离与聚类未开始40分钟开始
  5. 14综合项目:校准纳尔逊–西格尔收益率曲线与波动率微笑未开始1小时 30分钟开始

完成条件

以 70 分以上通过全部 14 个实验,即可完成学习路线,并在个人资料中获得 SciPy 徽章。

0 / 140%

先修要求

需要熟悉 Python 和 NumPy,并具备中学水平的微积分与基础统计知识。

  • Python

你将用到的工具

PythonSciPyNumPypandaspytest

你将学到

  • 用 scipy.stats 拟合分布、读取分位数,并看厚尾如何改变 VaR
  • 通过最小化函数和求根得到债券收益率和隐含波动率
  • 用最小二乘拟合曲线、对其插值和积分,并把远期曲线变成贴现因子
  • 用特殊函数、线性代数和稀疏矩阵为期权定价并模拟相关收益
  • 在不看未来的前提下滤波,并按相关性对资产聚类
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Hidden Markov Models 学习路线Particle filtering and non-stationary time series 学习路线scikit-learn 学习路线statsmodels 学习路线SciPy 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