国外名校量化金融免费公开课完整指南（2026最新版）
本文是一份2026年最新的量化金融免费学习资源指南。作者整理了来自MIT、Columbia、Stanford等顶尖名校的公开课资源，涵盖了数学基础、金融工程、风险管理和机器学习等核心领域。文章详细列出了完全免费的OpenCourseWare课程、免费旁听的MOOC、大数据资源以及WorldQuant University的免费硕士项目，并规划了从基础到进阶的实用学习路径，建议配合Python项目进行实战练习。
相关文档
MIT 三巨头写了14年的计算机视觉教材免费开放：从古希腊视觉理论讲到 NeRF
MIT 三位教授 Torralba、Isola 和 Freeman 合著的《计算机视觉基础》开放免费在线阅读，全书 55 章历时 14 年写成，完整穿越深度学习革命。本书刻意不追踪 SOTA，而是强调当代方法深植于视觉与 AI 的历史脉络，从古希腊视觉理论一直讲到 NeRF。全书按问题背景、数学与信号处理、神经架构与统计建模、几何与运动、应用与研究素养五条主线编排，统一了经典视觉方法与深度学习，还包含研究方法论与社会伦理内容。作者认为它有望成为下一代 CV 标准入门教材，但不覆盖扩散模型与多模态大模型最新进展。
LLMs do not guess. They optimize. Here is the difference and the math behind it
文章阐述LLM的输出并非猜测，而是优化的结果。作者从基础数学概念讲起，介绍了优化问题的本质：找到使函数最大化或最小化的输入。文章系统梳理了几个关键优化方法：牛顿法（通过切线逼近快速求零点和极值，是现代训练算法的祖先）、黄金分割搜索（无需导数、利用黄金比例实现指数级收敛，用于超参数调优）、单纯形法（1947年Dantzig发明，通过沿多面体顶点移动求解线性规划问题）。文章解释了梯度下降作为简化版牛顿法如何训练拥有数万亿参数的语言模型，并对比了单纯形法与内点法在理论与实践性能上的差异。
MIT 新课 6.5940 TinyML 与高效 AI 计算(MIT HAN Lab)：从剪枝量化到大模型部署与分布式训练的效率全栈课
文章介绍 MIT 韩松（Song Han）实验室开设的高效机器学习旗舰课程 6.5940 TinyML and Efficient AI Computing。课程分四章递进：高效推理（剪枝、量化、蒸馏、NAS）、面向特定领域的优化（TinyML、LLM 量化部署、长上下文、扩散模型）、高效训练（分布式训练、设备端训练）及进阶专题。课程以动手为中心，无考试，由 5 个 Lab（从 GPU 编程到本地 LLM 部署）和 NeurIPS 模板期末项目构成评分。作者认为该课程知识体系完整、与研究前沿零距离、工程实践导向鲜明，是学习模型压缩、LLM 推理优化和 TinyML 的最佳公开课，所有视频和课件均已公开。
Let's talk about trading compute
文章探讨了GPU算力交易这一新兴市场，指出当前算力价格高企（B300超过$24/gpu/hr）。作者以推理云服务商为例，说明固定价格收入与浮动GPU租金之间存在价格风险错配。通过一个视频生成客户案例，演示如何用看涨期权对冲未来算力租金上涨风险：先从厂商多年期套餐报价推算出伪远期曲线（考虑折现后各期块价格），再在二叉树模型下为期权定价，得到覆盖目标季度租金上限的成本。作者认为算力衍生品市场将深刻改变neocloud等企业的增长与风险管理方式。
从100美元开始理解Black-Scholes：期权定价背后的统计学原理
一位数学专业出身的科技分析师以通俗易懂的方式讲解期权交易背后的数学原理。文章从100美元投资示例引入对数收益率概念，解释为何对数收益率比平均收益率更能反映真实收益；随后基于股价随机波动、收益率服从对数正态分布、平均收益等于无风险利率三个假设，推导股价概率预测方法，讲解如何用累积正态分布函数计算股价超过某阈值的概率，并介绍波动率（对数收益率标准差）随时间按√N缩放的原理，为理解Black-Scholes期权定价公式和希腊字母打下基础。
Graph Engineering for Quants: The Complete Masterclass
本文全面介绍了图神经网络（GNN）在量化金融中的应用，涵盖数学基础、主要架构（GCN、GAT、TGN）及五个实际用例（股票预测、欺诈检测等），并提供了完整的PyTorch Geometric代码。文章强调金融市场本质上是关系系统，传统模型无法捕捉股票间的复杂依赖，而GNN能直接操作关系结构，学习信号在网络中的传播，从而提升预测准确性和风险管理能力。文中引用了多项研究及BlackRock的部署案例，展示了GNN在量化投资中的显著优势。
How To Use Kalman Filters To Build Adaptive Pairs Trading Strategies (Quant Framework)
本文介绍了如何使用卡尔曼滤波器构建自适应的配对交易策略。文章首先指出静态对冲比率在配对交易中的缺陷，然后详细解释了卡尔曼滤波器的数学原理和实现代码，包括状态方程、观测方程以及预测-更新过程。最后，文章提供了一个完整的Python实现，包括策略类、信号生成和回测功能，展示了卡尔曼滤波器如何动态调整对冲比率以适应市场变化。
量化交易避坑指南：开源项目揭示的8大血泪陷阱
基于对1438个GitHub量化开源项目的深度分析，本文揭示了量化交易中最致命的八大陷阱：包括过拟合、前视偏差、零滑点假设、幸存者偏差等。文章通过真实案例拆解了回测与实盘断层的原因，指出70%的开源项目代码质量不达标，且鲜有项目防范核心风险。文末附带了30项上线前的严审检查清单与黄金法则，强调风控前置、样本外验证及对开源代码的理性批判，警示入门者敬畏风险，避免将“玩具代码”投入真金白银的实战。
人工智能/机器学习数学基础与学习路径
文章详细阐述了掌握人工智能和机器学习所需的三大数学支柱：统计学与概率、线性代数以及微积分。作者不仅解释了每个领域的核心概念（如贝叶斯定理、矩阵分解和梯度优化），还强调了它们在 AI 模型（如神经网络、回归）中的实际应用。最后，作者分享了一条个性化的学习路线图，推荐了 3Blue1Brown、Coursera 课程及《统计学习导论》等优质资源，帮助读者从直观理解过渡到理论实践。
PyTorch 训练流程速查表
这是一份关于 PyTorch 训练流程的单页速查表。文章通过代码示例和原理解析，深入浅出地讲解了张量的核心概念、矩阵乘法、自动求导机制、反向传播以及梯度下降优化过程。同时涵盖了 `nn.Module` 常用组件如 Linear、ReLU 和 GELU 的使用，旨在帮助开发者快速理解深度学习引擎的运作原理。
从零到 AI 工程师——没人真正讲清楚的路线图
本文为 AI 初学者提供了一份为期 14 周的实战路线图，旨在通过免费资源将新手培养成具备构建生产级 AI 系统能力的工程师。路线图包含六个阶段：环境搭建、AI 基础、机器学习基础、深度学习、现代 LLM 工程以及 Agent 与部署。文章强调动手实践，推荐了 OpenAI、Anthropic 官方教程及 GitHub 优质开源仓库，帮助学习者避开盲目刷证书的误区，真正掌握 AI 开发技能。
单智能体与多智能体解决方案的选择指南
文章探讨了在大语言模型时代，如何权衡使用单智能体与多智能体系统。引用斯坦福及Google/MIT的研究指出，多智能体系统并非总是更优，往往伴随着更高的计算成本、延迟和通信开销，且在“思考预算”相当的情况下，优化后的单智能体常能胜出。文章建议将单智能体作为默认起点，仅当任务涉及大量工具、上下文退化严重、存在自然解耦边界或需严格合规验证时，才考虑引入多智能体架构。
