学习路线与项目节点

Must Know是研究主线，Should Know补解释和实现，Advanced要求更强先修，Optional是路线选择。先完整理解章内核心定义，再按问题选择工具。领域箭头用于概览，不等于严格先修边；以章节DAG为准。

第1–3章建立生命周期、Python与时间数据契约；预读第11章收益定义与第10章必要市场结构。
第4–9章完成微积分、线代、概率、统计、回归、优化。第8章CAPM案例先用于回归练习，金融均衡解释留到第14章。
第10–15章补金融、报表、估值和资产定价；第11章后完成Project 1，第15章后完成Project 2。
第16–21章学习时间依赖、协整、波动与组合；第19章可在掌握基础组合后回学。第21章后完成Project 3。
第22–28章提出与组合Alpha信号。先使用小型账本做演示，策略有效性等完成第29–35章再评价。
第29–35章完成回测、偏差、验证、绩效、风险和成本；补第36章执行。完成Project 4及Project 5。
第37–40章完成金融ML主线与Project 6。第41–43章提供扩展工具；第45章把研究整理成可运行项目。
完成Capstone。衍生品路线另学第44章；权益因子研究不需要把随机微积分作为启动门槛。

图表源文

flowchart TD
  P[Python 第2章] --> M[微积分与线代 第4–5章]
  M --> Q[概率 第6章]
  Q --> S[统计 第7章]
  S --> R[回归 第8章]
  R --> O[优化 第9章]
  P --> D[金融数据与PIT 第3章]
  D --> F[市场、收益、财报、估值 第10–13章]
  F --> A[资产定价与因子 第14–15章]
  R --> T[时间序列 第16–19章]
  A --> V[组合 第20–21章]
  O --> V
  T --> V
  V --> H[因子研究 第22–28章]
  D --> B[回测 第29–32章]
  H --> B
  B --> K[风险 第33章]
  B --> E[微观结构、成本、执行 第34–36章]
  K --> ML[金融ML 第37–43章]
  E --> ML
  ML --> PROD[生产工程 第45章]
  PROD --> C[Capstone]
  Q --> STO[随机微积分与衍生品 第44章 Advanced]
  M --> STO
  F --> STO
  STO -. 衍生品路线可选 .-> C

项目	先修章节	完成条件
Project 1: 金融数据分析	2, 3, 10, 11	核对收益、财富、波动与回撤手算；历史数据保留出处。
Project 2: CAPM与Fama–French	8, 11, 14, 15	核对超额收益、单位、HAC与暴露解释。
Project 3: 组合优化	9, 18, 20, 21	训练内估计，比较滚动样本外基准与成本。
Project 4: 多因子股票策略	12, 23–26, 28–31, 35–36	要求PIT信号、历史股票池、净收益与稳健性；构造子实验不补齐市场证据。
Project 5: 配对交易	16–17, 29–31, 35–36	训练内筛选并冻结规则，对账自融资样本外账本与成本。
Project 6: 机器学习Alpha	31, 35, 37–40, 43	按日期切分，训练内拟合变换，比较基准、净收益与稳定性。
Capstone	六项目方法、33、45	18项报告与可复现流程，负结果可通过；市场执行另受许可。

P1准备下载方案/数据字典，P2准备French格式解析，P3准备等权基准，P4准备财报PIT字典，P5准备数据对齐，P6准备标签时间表，Capstone先审假设和数据可行性。

衍生品方向：4、6、9、10、11→44→波动与数值定价。执行方向：10、29、33–36、45→事件数据、撮合与库存风险。两者为进阶路线。先建可靠简单基准，再判断深度学习、LLM或状态空间模型是否必要。各项目的历史接受、构造子实验和真实市场证据分开；无显著alpha及成本后失效均可如实报告。