Möchten Sie sich von der blinden manuellen Aktienhandelsmethode verabschieden und die Kernkompetenzen des intelligenten quantitativen Handels erwerben? Das AI-Quantitative-Trading-Trainingscamp von Geek Time bietet einen 12-wöchigen systematischen Fortgeschrittenenkurs, der Sie von Null an in den AI-Quantitative-Trading einführt und ein maßgeschneidertes automatisiertes Handelssystem aufbaut. Der Kurs wird schrittweise unterrichtet, von den Grundlagen der Finanzwelt, Handelsindikatoren, Fundamental- und technischer Analyse, um das Fundament zu stärken, dann praktische Fähigkeiten wie AI-Programmierwerkzeuge, Datenerfassung von Marktberichten, Datenbankaufbau usw. vermittelt. Klassische Strategien wie MACD, Chan-Theorie, Grid, Turtle-Trading, Multi-Faktor-Aktienauswahl werden eingehend analysiert und die Machbarkeit der Strategien durch professionelle Backtesting-Engines überprüft. Fortgeschrittene Technologien wie RAG-Vektordatenbanken, maschinelles Lernen, Reinforcement Learning werden freigeschaltet, praktische Übungen zum Aufbau von AI-Handelsagenten, ereignisgesteuerter Analyse, Echtzeit-Risikomanagement, Sektorrotation usw. durchgeführt. Der Kurs wird von einem kompletten Satz Quellcode, Branchenforschungsberichten, exklusiven Lernmaterialien und Nachfragestunden begleitet und deckt sowohl den Einstieg ohne Vorkenntnisse als auch die Verbesserung fortgeschrittener Fähigkeiten ab. Der gesamte Kurs ist praxisorientiert und lehnt vage Theorie ab, um Lernenden zu helfen, die gesamte AI-Quantitative-Trading-Kette vollständig zu verstehen und Investitionsentscheidungen mit Technologie zu unterstützen.

Der Kurs betont wiederverwendbare Forschungsprozesse und engineeringorientierte Umsetzungsfähigkeiten. Sie lernen, wie man Marktdaten, Finanzdaten, Nachrichten, Forschungsberichte usw. in ein einheitliches Analyseframework integriert, wie man Strategien mit Backtesting-Indikatoren auswählt, wie man die Signalqualität durch maschinelles Lernen und Reinforcement Learning verbessert und wie man Investment-Research-Workflows mit Agenten, RAG und Langgraph organisiert. Nach dem Lernen können Sie die gesamte Kette von Datenerfassung, Faktorkonstruktion, Strategie-Backtesting, Performance-Attribution bis hin zu Risikomanagement und simuliertem Handel selbstständig abschließen und auch die Schlüsseldetails von Echtzeit-Anbindung, Order-Splitting, Circuit-Breaker-Wiederholungsversuchen und mobiler Zusammenarbeit verstehen. Geeignet für Lernende, die eine systematische Umstellung auf quantitativen Handel anstreben, die Investment-Research-Effizienz verbessern oder AI-Handelstools entwickeln möchten.

Hinweis: Der Kurs dient nur dem Wissenserwerb und stellt keine Anlageberatung dar. Investitionen sind mit Risiken verbunden, der Markteintritt erfordert Vorsicht.

• 1.Live-Wiederholung der Camp-Eröffnung
• 2.Was ist quantitativer Handel
• 3.Kenntnis von Finanzinstrumenten
• 4.Erste Schritte mit quantitativen Strategien
• 5.Grundlegende Finanzkonzepte
• 6.Technische Analyse vs. Fundamentalanalyse
• 7.Die Kernlogik technischer Indikatoren

• 8.KI-Programmierung und entsprechende Tools
• 9.QMT-Bedienungsanleitung
• 10.Datenbeschaffung
• 11.Wie Finanzkennzahlen den quantitativen Handel steuern
• 12.Aufbau einer Datenbank
• 13.Erfassung von Markt- und Finanzdaten
• 14.Erfassung makroökonomischer Daten und Nachrichtenereignisse
• 15.Erfassung von Institutsresearch und Finanzkalender
• 16.Von großen Modellen getriebene Katalysator-Ereignisse

• 17.Was ist eine Backtesting-Engine
• 18.Bewertungskennzahlen für Backtests
• 19.Fallanalyse: MACD-Strategie, RSI-Strategie, Bollinger-Band-Strategie
• 20.Fallanalyse: Abweichungsraten-Strategie, Momentum-Strategie usw.
• 21.Fragen und Antworten nach dem Unterricht
• 22.Was ist TA-Lib
• 23.Grenzen klassischer Indikatoren
• 24.Verbesserung traditioneller Indikatoren

• 25.OpenClaw installieren
• 26.Quantitative Tools für OpenClaw konfigurieren
• 27.Wie man einen Skill erstellt
• 28.Kernprinzipien der Turtle-Trading-Regeln
• 29.Fallbeispiel einer Turtle-Trading-Strategie
• 30.Nachdenken und Fragen

• 31.Klassische quantitative Chan-Theorie-Strategie
• 32.Kauf- und Verkaufspunkte der Chan-Theorie in der Praxis und Fallbeispiele
• 33.Erweiterte Chan-Theorie-Strategie
• 34.Fragen und Antworten nach dem Unterricht
• 35.Klassische Grid-Trading-Strategie
• 36.Multifaktor-Aktienauswahl

• 37.Faktorenklassifizierungssystem
• 38.Forschungsrahmen für Finanzengineering von Huatai Securities
• 39.Grundlagen des maschinellen Lernens
• 40.Anwendungsfälle des maschinellen Lernens am Aktienmarkt
• 41.Fünf-Schritte-Methode zur Reproduktion von Papern
• 42.Interpretation von Masterarbeiten
• 43.Fallstudie

• 44.QuantStats-Kennzahlensystem
• 45.Matrixfaktorisierung
• 46.Anwendungsszenarien der Matrixfaktorisierung
• 47.Performance-Analyse des Live-Handels
• 48.Was ist RAG
• 49.Embedding
• 50.Vektordatenbank

• 51.Guotai Junan Fünf-Schritte-Methode
• 52.Erstellung von KI-Investmentresearch-Berichten
• 53.DeepAgent-Framework
• 54.Erfassung der öffentlichen Meinung und Finanzsentimentanalyse
• 55.Event-Driven- und Angstindex-Analyse
• 56.Multidimensionale Entscheidungsfindung
• 57.Fragen und Antworten nach dem Unterricht

• 58.Xtquant Echtgeldhandel
• 59.Nanobot in der Praxis
• 60.Nanobot-Programmierschnittstelle
• 61.Was ist Reinforcement Learning
• 62.Von Q-Learning zu DQN
• 63.Intelligente Auftragsteilung

• 64.DQN-Schüler: Lehrer-Doppelnetzwerk-Mechanismus
• 65.Hochfrequentes Market Making und Identifikation von Hauptakteurverhalten
• 66.Risikokontrollsystem
• 67.ATR-Risikokontrolle
• 68.Praktische Ereignisrisikokontrolle
• 69.Langgraph Kern-Fünf-Set
• 70.Arbeitsablauf des Handelsteams
• 71.Risikokontrollblockade und Circuit-Breaker-Wiederholung

• 72.Investment-Morgenmeeting-Szenario
• 73.Multifaktor-Aktienauswahl
• 74.Sektorrotationsanalyse
• 75.Arbeitsablauf des Investment-Morgenmeetings
• 76.Live-Handel
• 77.CEO-Konsole und Führungsstrategie

• 78.BHB-Attributionsmodell
• 79.Vorwärtsvalidierung
• 80.Teilen der Teilnehmer
• 81.Quantitatives Handelssystem

• Wöchentliches Materialarchiv, Sammlung von Branchenresearchberichten, aktives Portfoliomanagement, Faktorinvesting: Methoden und Praxis, Schritt für Schritt zur Bilanzanalyse, quantitativer Handel, systematisierte Lernnotizen zum quantitativen Investieren, intelligente PDF-Berichtsgenerierung, Kurs-Code, KI-quantitativer Handel Lernen und QA, Nutzung relevanter Software usw.

💡 Lerntipp:Die Kursinhalte basieren auf der Branchenpraxis zum Zeitpunkt der Veröffentlichung. Es wird empfohlen, beim Lernen die aktuellen neuesten Regeln der Plattform zu berücksichtigen.