量化交易怎么学：学什么、学到多深、什么时候开始做
你的浏览器里有一个收藏夹是为这事建的：一个停在第三章的 Python 教程、两本买回来的量化交易书、一份搜「量化交易学习路线」时收藏的课程帖、一个收藏了却从没打开的 GitHub 仓库。几乎所有把"量化交易怎么学"敲进搜索框的人，起点都是这个收藏夹——包括很多现在以此为生的人，当年也一样。
问题从来不是不努力。问题是有四件事几乎没人讲清楚：学什么、按什么顺序、每一层学到多深算够、什么时候停止学习开始下单。这篇按这个顺序回答，每一步都给出免费的起点，最后给一条诚实的时间线。
学什么：三层基础，每层有一条"够用线"
量化交易的技能压缩成三层。大多数自学计划失败，不是因为学得不够多，而是因为从没决定过哪一层算学完。
| 层 | 够用线 | 免费起点 |
|---|---|---|
| 编程 | 能自己取数据、算一个信号、跑完一次回测、画出结果——不开着教程 | 任意一门案例驱动的 Python 零基础课；pandas 官方文档 |
| 数学与统计 | 概率、描述统计、假设检验；亲手做过一次线性回归 | 哈佛概率论公开课；Coursera 上吴恩达的机器学习课 |
| 市场机制 | 知道限价单是什么、成交从哪来、为什么成本能吃掉薄利 | 哈里斯《Trading and Exchanges》，挑着读 |
编程：Python，学到"裸操作数据表"的程度。 Python 已经是事实默认——数据生态成熟、量化框架齐全、报错几乎都能搜到答案。R 和 MATLAB 在专业研究里仍然活着，但新手应该选一门语言待着别动：要的是深度，不是广度。学到多深？深到能独立跑完一次回测——Python 工具链那篇展开讲。不需要深到"学编程"变成两年计算机科学理论的弯路。
数学：门槛是假设检验，不是微积分。 你需要能用的概率和统计——均值、分布、显著性——因为回测就是做实验，看不懂实验的人会相信实验给出的任何结果。线性回归亲手做一次。微积分对读论文有帮助，但不是门票。什么时候往深学？某个具体的技术把你卡住了——回测报告里一个看不懂的统计量——那个时刻再学，而不是提前啃。时间序列和计量，等你的策略真的用得上再说。
市场：懂机制，才不轻信"白捡的钱"。 订单类型、流动性在哪、交易成本和滑点怎么悄悄吃掉本就不厚的优势。业余玩家先输给成本，然后才输给想法。这一层主要是读和留意，而且复利终身。
表格底下还压着第四层：数据。练习需要行情数据，免费渠道在学习阶段完全够用。等一个策略——而不是好奇心——需要付费数据时再操心。
怎么学：项目阶梯，不是课程阶梯
怎么学的答案不在收藏夹里，在项目里。课程是等待的方式，项目才是学习的方式。行得通的顺序是编程→市场→量化方法→实践，而且每一步的终点都该是一个能跑的东西。四级阶梯，每级只逼你学一个新技能：
- 行情下载器。 取一只标的的日线并画出来。学会 API、数据表，以及缺失值这个丑陋的现实。
- 指标计算器。 从零算一个移动平均和一个波动率指标。不用库的捷径——数学层在这里变成代码。
- 第一次回测。 双均线交叉，诚实评估：收益、回撤、胜率。策略无聊， machinery 是真的——机制是真的。
- 绩效报告。 把第三级的输出整理成一页陌生人能看懂的摘要。统计、对成本的诚实，还有这门手艺从不宣传的写作能力。
在第三或第四级的某处，会有一次安静的转变：学习变成验证。有量化交易训练营的学员分享过，把自己以前的主观想法逐个送进回测，大约一半当场失败——这场清算本身就是教育。一个你深信不疑的策略，在诚实的测试里死掉，比十篇教程教的都多。这也提示了最便宜的课程：找一个开源策略仓库，连提交记录一起逐行读完。
课程：三档，一个判断标准
当有人问量化交易怎么学，多数时候其实是在问"报哪个课"。整个市场就三档：
| 档 | 是什么 | 适合谁 |
|---|---|---|
| 免费自学 | Quantra 的初学者指南（八门课的轨道）、QuantStart 的免费自学计划、大学公开课、Coursera 机器学习课 | 几乎所有读到这里的人 |
| 付费证书 | CQF 这类认证——几周结构化内容，结尾拿一个证书 | 目标雇主认这张纸的转行者 |
| 学位 | 量化金融硕士（CMU 的 MSCF 是原型）和博士 | 走机构职业路线的人 |
交易自己的账户，第一档真的够了——瓶颈是练习小时数，不是缺课。付费证书回答的是另一个问题："招聘经理会不会给我面试机会？"学位则是进入机构研究的标准门——那些公司常从博士项目招人，而对达到持续盈利的职业水平，诚实的估计是五到十年。
对任何一门课的检验标准，免费付费都一样：它能不能让你写出之前写不出的代码？不能的话，它是娱乐。少收藏，多完成——和读书清单同一条规矩。
国内还有"训练营"这一形态：几周带练、把你的想法推进到回测。适不适合看它教的是流程还是承诺收益——教验证流程的值，承诺收益的绕开。
社区与开源
自学最孤独的时刻，恰恰是最要紧的时刻。三个习惯能补上：先搜错误信息再提问——大多数答案已经存在；把一个策略仓库从头读到尾，胜过泛读二十个；找到从业者吵架的论坛——平台社区、Reddit 的交易版、问答站上的回测论战。看有经验的人怎么拆一个可疑的结果，那份怀疑精神才是真正的课程。GitHub 上直接搜量化交易入门项目，是很多国内新手真实的第一步。
书在这里只占一节，因为我们专门写过一篇：量化交易最少书单——五本，按顺序，附哪些经典可以先放着。那个规模的书架就够服务整条学习路线。数学经典也按需打开，和上面数学层的规则相同。
一条诚实的时间线
业余自学、交易自己的账户：两个月 Python 基础，第三个月前后跑出第一次诚实的回测，第六个月一直在模拟盘。三到六个月的晚上，就能走到"学习结束、迭代开始"的临界点——六阶段路线图正好从那里接上。
职业路线：五到十年，这是愿意诚实写的从业者给出的估计。这是两种不同的游戏，共用一套词汇。把两者搞混——用周末项目去对标对冲基金的职业时钟——是很多人在第四个月放弃的方式，距离第一课只差一次回测。
常见问题
没有数学学位，量化交易怎么学？
交易自己的账户：能学。能用的统计加 Python 就覆盖了散户的牌桌，上面的表格就是诚实的天花板。进机构研究岗没有证书会难很多，但强程序员可以走开发岗进去。
学多久能有第一个策略？
业余学，三到六个月能跑出一次干净的第一回测。盈利没有时刻表，也没人能承诺——承诺的那个在卖娱乐，见上面的检验标准。
免费资源真的够吗？
对散户交易，够。免费档现在包括结构化课程轨道、完整自学计划、大学公开课。怎么学从来不是预算问题，是纪律问题。钱买的是结构和反馈——如果你没有纪律学完免费的内容，同一份内容的付费版也解决不了。
回到开头的问题：量化交易怎么学——一门语言、一门统计课、一次一本的书、每级阶梯一个项目，外加一个停止学习的硬日期。你真正需要的栈，比收藏夹里那个小得多。到了那天，主流策略类型告诉你该造什么，专集首页一直留着整张地图。