参考资料

1.  课程培训讲义及参考程序(Matlab和Dynare Codes)

2.  David Dejong and Chetan Dave(2011), Structural Macroeconometrics,Princeton University Press.

3.  Fabio Canova(2008), Methods for AppliedMacroeconomic Research, Princeton University Press.

4.  David Houceque, (2005), Introduction to Matlab forEngineering Students.

教学方法

1.  理论模型推导

2.  计量方法和计算方法介绍

3.  Matlab 和 Dynare上机练习

课程内容及课时安排（1课时=45min）

第1讲：课程简介（1课时）

1. 课程简介

2. 宏观经济学模型发展历史

3. DSGE模型介绍及培训安排

第2讲：宏观经济数据（3课时）

1.  宏观经济数据处理

   1.1 宏观经济数据来源

   1.2 趋势剔除和周期提取

        1.2.1 线性去除趋势法

        1.2.2 Hodrick-Prescott滤波法

        1.2.3 Band Pass 滤波法

    1.3 经济周期统计描述

2.  Matlab上机训练（1课时）

第3讲：真实商业周期（Real Business Cycle）模型（10课时）

1.  RBC模型（3课时）

   1.1 RBC基准模型介绍(King et al.(1988))

   1.2 求解模型均衡条件

2.  DSGE模型近似及求解（2课时）

   2.1 对数线性化

   2.2 线性差分模型组求解方法

        2.2.1 Blanchard and Kahn(1980)方法

        2.2.2 Klein(2000)方法

        2.2.3 Uhlig(1999)待定系数法

3.  参数校准（2课时）

   3.1 参数校准原理

   3.2 矩匹配(Matching Moments)

4.  RBC派生模型（Money-in-Utility模型，Cash-in-Advance模型）(1课时)

5.  Matlab 上机训练（2课时）

第4讲：Dynare安装及使用（3课时）

1.  Dyanre 安装和配置

2.  Dynare 软件使用：以RBC模型为例

3.  Dynare 上机训练（2课时）

第5讲：新凯恩斯主义模型（New-Keynesian）模型（10课时）

1.  New-Keynesian模型（6课时）

   1.1 模型主体介绍

   1.2 粘性价格定价法则(Calvo定价)及详细推导

   1.3 均衡条件求解

   1.4 对数线性化及线性求解

   1.5 参数校准及模型模拟

2.  Matlab训练（1课时）

3.  Smets和Wounter (2007, AER) （3课时）

   3.1 模型介绍及详细推导

   3.2 Dynare程序实现

第6讲：DSGE模型贝叶斯估计方法及应用（10课时）

1.  状态空间模型

   1.1 卡尔曼滤波(Kalman Filter)

2.  贝叶斯估计基本原理

   2.1 Markov Chain Monte Carlo方法

        2.1.1 Gibbs sampler

        2.1.2 Metropolis-Hastings算法

   2.2 模型参数先验概率选取

   2.3 后验分布与统计推断

3.  案例：New-Keynesian模型的贝叶斯估计

   3.1 Smets and Wounters (2007 AER)

   3.2 上机训练（2课时）

课程特色：
1：现场教学，可现场和老师互动，解决当下的课程疑惑；
2：课程内容丰富，囊括了许多量化投资的理论知识；
3：课程内容新颖，应用前沿的学术理论；
4：教学过程深入浅出, 以实例与实作印证所学；
5：学员能快速掌握灵活Python，能在现实中通过此工具解决量化投资等综合金融问题；
6：可操作性强，将所介绍理论在实战中一一展示，即学即用，在实战中搭建课程的整体脉络。

课程大纲：

Day 1

一，Python 编程

1, 数据类型

  1.1 数值类型，字符串，列表，元组，字典，集合

  1.2 可变与不可变

2, 基本语法

  2.1 常用运算符

  2.2 常用语句

  2.3 函数的定义与调用

3, 进阶技巧

  3.1 切片，迭代，列表解析，生成器，迭代器

  3.2 面向对象

        3.2.1 类，封装，与继承

  3.3 函数式编程

         3.3.1 map/reduce

         3.3.2 匿名函数

         3.3.3 装饰器

         3.3.4 偏函数

Day 2

二，数据探索

1, Numpy：数组和向量计算

2, Pandas 与金融数据处理

  2.1 数据清理，转换，合并，重塑

  2.2 数据聚合与分组运算

3, Matplotlib 与数据可视化

4, 时间序列数据

  4.1 日期的采样，频率，移动，及算术运算

三，基于事件趋动的自动化交易系统实践

Day 3

四，基本面选股

1, 财务指标选股模型

2, 积极成长策略

3, 兼具价值与成长之GARP策略

五，常用技术指标

1, K线

2, RSI

3, 均线系统

  3.1 移动平均

  3.2 MACD

4, 通道

  4.1 唐奇安通道

  4.2 布林带通道

        4.2.1 随机指标KDJ

        4.2.2 量价关系

        4.2.3 能量潮OBV指标

六，动量

七，宏观择时分析

八，Kelly公式与仓位控制

九，配对交易

Day 4

十，卡曼滤波器与股价预测

十一，网格交易

十二，缠论

十三，机器学习与量化交易

1, 神经网路

2, 随机森林

3, KNN分析

4, 支持向量机

5, 线性判别分析

6, 二次判别分析

7, 逻辑回归

课程结束后颁发“经管之家量化投资学院”结业证书，直接加入量化投资学院！