程式人的第一本 Python 量化投資筆記：Colab 即時演練 × Backtrader 策略設計到績效評估全流程（iThome鐵人賽系列書）

CHAPTER 01 量化投資介紹與目標設定
1.1 量化投資的基本概念
1.2 常見量化策略類型
1.3 量化投資的優勢
1.4 設定量化投資目標
1.5 本章小結

CHAPTER 02 獲取金融數據
2.1 使用 yfinance 下載金融數據
2.2 探索數據結構
2.3 時間數據基本處理與操作
2.4 使用 matplotlib 繪製股票收盤價走勢圖
2.5 儲存數據
2.6 本章小結

CHAPTER 03 數據清洗、處理與技術指標計算
3.1 數據清洗與處理
3.2 計算常見技術指標（Technical Indicator）
3.3 視覺化財務指標
3.4 本章小結

CHAPTER 04 金融指標計算與策略開發基礎
4.1 金融指標計算
4.2 金融指標 Python 實現
4.3 策略開發基礎
4.4 綜合應用：從指標到策略
4.5 本章小結

CHAPTER 05 BackTrader 回測框架介紹
5.1 為什麼需要回測
5.2 使用 Backtrader 回測框架
5.3 回測中的注意事項
5.4 進一步探索
5.5 本章小結

CHAPTER 06 動量策略、均值回歸策略與技術指標策略開發
6.1 動量策略開發
6.2 使用 Backtrader 實現動量策略
6.3 均值回歸策略開發
6.4 使用 Backtrader 實現均值回歸策略
6.5 技術指標策略開發
6.6 使用 Backtrader 實現 RSI MACD 策略
6.7 策略優化與參數調整
6.8 本章小結

CHAPTER 07 利用 Backtrader 進行策略參數調整達到優化夏普率
7.1 導入所需的 Library
7.2 建立策略類別並加入參數
7.3 設置策略參數範圍並執行優化
7.4 解析優化結果
7.5 結果分析與應用
7.6 本章小結

CHAPTER 08 風險管理基礎與風險調整後的收益
8.1 風險管理基礎
8.2 常見的風險控制策略
8.3 風險調整後的收益
8.4 實作風險管理與風險調整後的收益計算
8.5 策略優化與風險調整
8.6 優化結果的解讀與應用
8.7 本章小結

CHAPTER 09 多資產投資組合
9.1 多資產投資組合的概念
9.2 實現簡單的多資產投資組合
9.3 本章小結

CHAPTER 10 因子投資
10.1 因子投資的概念
10.2 因子投資策略的構建
10.3 因子投資組合的回測
10.4 因子投資策略的優化與應用
10.5 本章小結

CHAPTER 11 引入 AI——機器學習概述與數據預處理
11.1 機器學習在金融中的應用場景
11.2 Scikit Learn 簡介
11.3 數據預處理與特徵工程
11.4 為機器學習模型準備訓練數據
11.5 實際案例：預測股票價格走勢
11.6 本章小結

CHAPTER 12 監督式學習——回歸模型＆分類模型在股價上預測上的運用
12.1 監督式學習概述
12.2 回歸模型
12.3 分類模型
12.4 模型比較與選擇
12.5 實際案例：模型應用與評估
12.6 本章小結

CHAPTER 13 無監督學習＆模型優化與交叉驗證
13.1 無監督學習概述
13.2 應用 K-Means 聚類識別市場模式
13.3 主成分分析（PCA）進行數據降維
13.4 模型優化與交叉驗證
13.5 綜合應用：模型優化與無監督學習結合
13.6 本章小結

CHAPTER 14 時間序列預測——使用 ARIMA 和 Prophet
14.1 時間序列分析基礎
14.2 實際案例：比較 ARIMA 與 Prophet 模型
14.3 本章小結

CHAPTER 15 時間序列預測——LSTM
15.1 引言
15.2 使用 PyTorch 建構模型
15.3 LSTM 簡介
15.4 LSTM 應用於股價預測數據處理
15.5 LSTM 模型建構
15.6 LSTM 模型訓練以及測試
15.7 處理時間序列數據的特殊性
15.8 模型改進的方向
15.9 本章小結

CHAPTER 16 時間序列預測——Transformer
16.1 引言
16.2 Transformer 模型簡介
16.3 Transformer 應用於股價預測
16.4 Transformer 模型建構
16.5 Transformer 模型訓練以及測試
16.6 模型改進的方向
16.7 比較 Transformer 與 LSTM 模型的性能
16.8 本章小結

CHAPTER 17 強化學習在交易中的應用——基礎概述
17.1 引言
17.2 強化學習的基本概念
17.3 深度 Q 網絡（DQN）的詳細介紹
17.4 使用深度 Q 網絡（DQN）進行交易策略開發
17.5 強化學習框架建構
17.6 訓練 Agent
17.7 強化學習應用於交易的挑戰
17.8 改進和擴展
17.9 本章小結

CHAPTER 18 強化學習在交易中的應用——使用 Stable Baselines 和 FinRL
18.1 Stable Baseline
18.2 FinRL
18.3 環境設置＆數據準備
18.4 構建交易環境
18.5 選擇和訓練強化學習算法
18.6 結果分析
18.7 繪製買賣點
18.8 本章小結

CHAPTER 19 強化學習在交易中的應用——結合 Stable Baselines 進 Backtrader
19.1 為什麼選擇 Stable Baselines 3 和 Backtrader
19.2 環境設置
19.3 數據準備以及處理
19.4 建構交易環境
19.5 訓練強化學習模型
19.6 測試模型並收集交易訊號
19.7 本章小結

CHAPTER 20 投資情緒的解讀——結合情緒分析的交易策略
20.1 為什麼將情緒分析納入交易策略？
20.2 環境設置
20.3 數據準備以及處理
20.4 將情緒指標納入交易策略
20.5 本章小結