Part 1 选择从头开始
之前在一家房地产公司做行政做了3年多，日常工作已经比较如鱼得水了，如果对于正常人来讲，应该是会考虑跳槽或在原公司继续发展，但是对于我来讲，我想学的和想了解的大概已经到头了，工作内容实在不是自己喜欢的，也不是在自己真正擅长的范围内，转岗是必须的，只是要思考转什么和什么时候转。2020年covid-19疫情来了，面对生命的无常，“人生只能活一次”的想法愈发强烈，所以我做出了裸辞的决定。虽然领导三番四次苦口婆心地劝我，让我边工作边学习转岗的知识技能，但是在日常加班到晚上8点后的情况下，我真的没有信心能做到，毕竟已经尝试过很多次了。离职的时候，我还没有决定好想做什么，只有一个大概的方向，就是数据分析，因为本科学的就是气象预报分析。
Part 2 疯狂输入
在朋友的建议下，我决定从学习MATLAB开始，一边在B站学习《MATLAB课程》——by台大郭彦甫，一边学习工具书《MATLAB数据分析方法》，配以书籍《MATLAB完全自学一本通》，但过程中发现书本内容涉及很多概统和线代内容，实在难以理解，所以我重新翻出了《概率统计学》和《线性代数》课本，同时配合B站课程《线性代数的本质》——by 3BLue1Brown、《Crash Course Statistics》——by歪果仁、《概率论与数理统计》——by浙江大学，配以书籍《数理统计学导论》。
在学习MATLAB机器学习章节时，深度学习被一笔带过，于是我又在B站学习课程《深度学习》——by李宏毅，同时配以书籍《深度学习》。花了很长一段时间才真正理解和做出李宏毅老师布置的第一个作业——用历史数据对空气不同的化学成分浓度进行预测。由于用MATLAB做深度学习模型实在繁琐，于是我开始学习Python，同样在B站找了入门课程，配以书籍《Python编程 从入门到实践》和《Python数据科学手册》。在体验了多次重新安装的“乐趣”后，真正感受到Python的便利性。另外在Python写深度学习模型需要用到TensorFlow，配以书籍《Learn Tensorflow 2.0》和《Deep Learning with Python》—— by Francois Cholle。
讲到这里，还是跟金融毫无联系，但其实在离职前我就开始已经对金融感兴趣，所以除了上述的学习，出于好奇心，我看了《Why stock markets crash》这本书，里面涉及到很多统计内容，也多次用气象数据作类比，于是我想或许把金融和数据分析是一个好的方向，后来才了解到有金融量化这个领域。
由于对金融一窍不通，所以我又在B站学习《货币银行学》——by黄益平、《零基础财报入门》——by肖星、《数字金融公开课网课》，配以书籍《货币银行学》。
在大量地输入后，要考虑到如何把金融和数据分析串联起来，而首先需要解决的是如何获得数据，而我刚好发现B站有个课程《Python股票自动交易从零开始》，里面基本解决了我的需求，无论是数据下载还是对金融数据进行预测的基本方法。但，这大概才是做金融量化真正的开始。为了方便计算，我学习用MySQL建起本地数据库。开始用不同的方法做策略，用回撤、夏普率等指标衡量策略的好坏。譬如用BackTrader做技术性的策略；用神经网络对金融数据进行预测；用PCA方法做持仓组合等。慢慢地，我感受到阶段性瓶颈。
Part 3 系统性思考
就算掌握了获取数据的工具，掌握了数据分析的工具，但是没有有机的结合，工具也只是工具，任何尝试也是如同大海捞针，不一定有好的结果。思考用什么数据，对应用什么数学方法去分析预测才是真正的难题。就好像天气预报，它有底层的逻辑在，预测是基于扎实的物理公式推导。如果真正想用好金融数据，明白金融数据的底层逻辑十分关键，我知道自己需要更系统地学习。
直到有一天，我在网上偶然地下载了CFA书籍，看了目录后，惊喜发现这就是我真正需要的课程，它把数学与金融统一起来了，补充了我的知识盲点之余，还提供了很多金融量化的思路，比如说马科维茨模型、多因子模型，下次再在另外的文章细讲。
总而言之，一路走来，也只有自己知道多不容易吧，挺过来就好。流水账记录一下这段时间怎么过来的，当作阶段性总结。
努力考证，一切才刚刚开始。
更新文章：