量化交易要學什麼：三層基礎、四個練手專案與誠實的時間線

你的瀏覽器裡有一個資料夾是為這件事建的：一份停在第三章的 Python 教學、兩本買回來的量化交易書、一頁搜「量化交易學習路徑」時存下的課程頁、一個按了星號卻從沒打開的 GitHub 儲存庫。幾乎所有認真問過「量化交易要學什麼」的人（台灣也常稱程式交易），起點都是這個資料夾——包括很多現在以此為生的人，當年也一樣。

問題從來不是不努力。問題是有四件事幾乎沒人講清楚：要學什麼、按什麼順序、每一層學到多深算夠、什麼時候停止讀書開始下單。這篇按這個順序回答，每一步都給免費的起點，最後給一條誠實的時間線。

要學什麼：三層基礎，每層有一條夠用線

量化交易的技能可以壓縮成三層。大多數自學計畫失敗，不是學得不夠多，而是從沒決定過哪一層算學完。

層	夠用線	免費起點
程式	能自己抓資料、算一個訊號、跑完一次回測、畫出結果——不開著教學	任何一堂案例驅動的 Python 零基礎課；pandas 官方文件
數學與統計	機率、描述統計、假設檢定；親手做過一次線性回歸	哈佛機率論公開課；Coursera 上吳恩達的機器學習課
市場機制	知道限價單是什麼、成交從哪來、為什麼成本吃得掉薄利	哈里斯《Trading and Exchanges》，挑著讀

程式要學什麼：Python，學到「裸操作資料表」的程度。 Python 已經是事實預設——資料生態成熟、量化框架齊全、幾乎每個報錯都搜得到答案。R 和 MATLAB 在專業研究裡仍然活著，但新手應該選一種語言待著別動：要的是深度，不是廣度。學到多深？深到能獨立跑完一次回測——Python 工具鏈那篇講得更細。不需要深到「學程式」變成兩年資訊科學理論的繞路。

數學要學什麼：門檻是假設檢定，不是微積分。 你需要能用的機率和統計——平均數、分配、顯著性——因為回測就是做實驗，看不懂實驗的人會相信實驗給出的任何結果。線性回歸親手做一次。微積分對讀論文有幫助，但不是入場券。什麼時候往深學？某個具體技術把你卡住了——回測報告裡一個看不懂的統計量——那個時刻再學，而不是提前啃。時間序列和計量，等你的策略真的用得上再說。

市場要學什麼：懂機制，才不輕信白撿的錢。 訂單類型、流動性在哪、交易成本和滑價怎麼悄悄吃掉本就不厚的優勢。業餘玩家先輸給成本，然後才輸給想法。這一層主要是讀和留意，而且複利終身。

表格底下還壓著第四層：資料。練習需要行情資料，免費管道在學習階段完全夠用。等一個策略——而不是好奇心——需要付費資料時再操心。

怎麼學：專案階梯，不是課程階梯

答案不在書籤裡，在專案裡。課程是等待的方式，專案才是學習的方式。行得通的順序是程式→市場→量化方法→實作，而且每一步的終點都該是一個能跑的東西。四級階梯，每級只逼你學一個新技能：

行情下載器。 抓一檔標的的日線並畫出來。學會 API、資料表，以及缺值這個醜陋的現實。
指標計算器。 從零算一個移動平均和一個波動率指標。不走函式庫捷徑——數學層在這裡變成程式碼。
第一次回測。 雙均線交叉，誠實評估：報酬、回撤、勝率。策略無聊，機制是真的。
績效報告。 把第三級的輸出整理成一頁陌生人看得懂的摘要。統計、對成本的誠實，還有這門手藝從不宣傳的寫作能力。

在第三或第四級的某處，會有一次安靜的轉變：學習變成驗證。有量化交易訓練營的學員分享過，把以前的主觀想法逐個送進回測，大約一半當場失敗——這場清算本身就是教育。一個你深信不疑的策略，在誠實的測試裡死掉，比十篇教學教的都多。這也提示了最便宜的課：找一個開源策略倉庫，連提交記錄一起逐行讀完。

課程：三檔，一個判斷標準

當有人問量化交易要學什麼，多數時候其實是在問「報哪個課」。整個市場就三檔：

檔	是什麼	適合誰
免費自學	Quantra 的初學者指南（八門課的軌道）、QuantStart 的免費自學計畫、大學公開課、Coursera 機器學習課	幾乎所有讀到這裡的人
付費證書	CQF 這類認證——幾週結構化內容，結尾拿一張證書	目標雇主認這張紙的轉行者
學位	量化金融碩士（CMU 的 MSCF 是原型）和博士	走機構職業路線的人

交易自己的帳戶，第一檔真的夠了——瓶頸是練習時數，不是缺課。付費證書回答的是另一個問題：「招募經理會不會給我面試機會？」學位則是進入機構研究的標準門——那些公司常從博士班找人，而對達到持續獲利的職業水準，誠實的估計是五到十年。

對任何一堂課的檢驗標準，免費付費都一樣：它能不能讓你寫出之前寫不出的程式碼？不能的話，它是娛樂。少收藏，多完成——和書單同一條規矩。

社群與開源

自學最孤獨的時刻，恰恰是最要緊的時刻。三個習慣能補上：先搜錯誤訊息再發問——大多數答案已經存在；把一個策略倉庫從頭讀到尾，勝過泛讀二十個；找到從業者吵架的論壇——平台社群、Reddit 的交易版、問答站上的回測論戰。看有經驗的人怎麼拆一個可疑的結果，那份懷疑精神才是真正的課程。GitHub 上直接搜量化交易入門專案，是很多新手真實的第一步。

書在這裡只佔一節，因為我們專門寫過一篇：量化交易最少書單——五本，按順序，附哪些經典可以先放著。那個規模的書架就夠服務整條學習路徑。數學經典也按需打開，和上面數學層的規則相同。

一條誠實的時間線

業餘自學、交易自己的帳戶：兩個月 Python 基礎，第三個月前後跑出第一次誠實的回測，第六個月一直在模擬盤。三到六個月的晚上，就能走到「學習結束、迭代開始」的臨界點——六階段路線圖正好從那裡接上。

職業路線：五到十年，這是願意誠實寫的從業者給出的估計。這是兩種不同的遊戲，共用一套詞彙。把兩者搞混——用週末專案去對沖基金的職業時鐘——是很多人在第四個月放棄的方式，距離第一課只差一次回測。

常見問題

沒有數學學位，量化交易要學什麼才夠？

交易自己的帳戶：能學。能用的統計加 Python，就覆蓋散戶程式交易的牌桌，上面的表格就是誠實的天花板。進機構研究崗沒有證書會難很多，但強程式設計師可以走開發崗進去。

學多久能有第一個策略？

業餘學，三到六個月能跑出一次乾淨的第一回測。獲利沒有時程表，也沒人能承諾——承諾的那個在賣娛樂，見上面的檢驗標準。

免費資源真的夠嗎？

對散戶交易，夠。免費檔現在包括結構化課程軌道、完整自學計畫、大學公開課。要學什麼從來不是預算問題，是紀律問題——如果你沒有紀律學完免費的內容，同一份內容的付費版也解決不了。

回到開頭的問題：量化交易要學什麼——一種語言、一堂統計課、一次一本的書、每級階梯一個專案，外加一個停止讀書的硬日期。你真正需要的那套東西，比書籤裡那個小得多。到了那天，主流策略類型告訴你該造什麼，專集首頁一直留著整張地圖。

Edward Wang