### 你将学到什么
- 看懂 BS 公式 C = S × N(d_1) - K × e^(-rT) × N(d_2),知道每个符号代表什么、d_1 和 d_2 怎么来
- 记住 ATM call 简化近似 C ≈ 0.4 × σ × √T × S,30 秒心算大致估值
- 用 scipy 实现 Δ 对冲动态复制,看一条 GBM 路径上对冲组合最终损益接近 0
- 用 brentq 反解给定市价的隐含波动率(implied volatility),理解 IV 是市场对未来波动的看法
- 看出波动率微笑(volatility smile)的形状,知道它代表什么 — GBM/BS 假设的局限
### 课程特色
- 真实美股/A 股数据实战
- 可运行的 Python 代码
- 华尔街从业者视角:量化研究员的核心日常
- 主战场 A 股,也讲港股/美股/加密策略
- 配套 PDF 课件、视频、Notebook 三件套
### 适合人群
- 想从主观炒股转量化的散户
- 对量化投资感兴趣的金融专业学生
- 想从数据科学转向量化金融的工程师
- 散户希望系统学习量化方法的策略爱好者
### 课程大纲
本节课内容概要:
1. BS 公式 — 五个变量 / 两个 N(d)
2. ATM call 的简化近似 C ≈ 0.4 × σ × √T × S
3. Δ 对冲组合复制 — BS 公式的金融基础
4. 隐含波动率(IV)— 市场认知的 σ
5. BS 模型在实战的局限和补丁
### 配套资料, 去到课堂,购买后你将获得:
1. 配套课件
2. Python 源代码