第 2 课
学完以后，你能带走什么
先看完整张课程地图，认识学完后能够继续使用的三种能力。
朋友听说蛙兄准备学一整套量化课程，问了一个很实际的问题：
“学完这么多，你最后到底会什么？”
蛙兄张了张嘴，一时不知道该从哪里说起。
会写 Python？好像太小看这门课了。
会知道哪只股票能涨？这个答案又大得有点吓人。
至于把每个课程单元的名字背一遍，朋友大概听到第三个就会开始看手机。
要回答这个问题，我们得先把整张课程地图摊开，看看这套课究竟准备带我们走到哪里。
先看完整张地图
HoppyQuant 分成两部分。
第一部分是理论课：理解市场与量化思维。
第二部分是实战课：用 AI 研究助手完成量化研究。
这两部分不是“先听一点理论，再去玩代码”。前一段路帮助我们知道自己在研究什么，后一段路才带着这个问题真正动手。
如果一开始就跳进程序，我们当然也能下载数据、计算收益、画出曲线。但图画出来以后，很可能马上遇到更麻烦的问题：为什么要这样算？这个结果说明了什么？我们是不是不小心证明了一个自己刚刚编出来的规律？
所以，这张地图的方向很简单：先学会看市场，再学会研究市场。
第一段路：先看懂自己在研究什么
理论部分不会让你背下一本金融百科，而是依次帮我们弄清楚四个基础问题。
股市究竟是什么
股票为什么会被买卖，价格又为什么总在变化？我们会从预期和交易出发，先理解自己面对的是一个怎样的市场。
什么会影响股市
公司、行业、消息、经济环境和市场情绪，都可能让价格发生变化。我们要学会把这些影响放回合适的位置。
投资策略的三维地图
不同方法凭什么认为自己能够找到机会，需要多久兑现，又通过什么方式把机会找出来？我们会得到一张理解不同流派的地图。
到底什么是量化
市场直觉怎样变成假设，模糊说法怎样变成可以计算的定义，数据又能回答到什么程度？这时，“量化”才会真正出现。
走完这一段，你不会突然看懂市场里的一切。
但以后再看到一条行业新闻、一个技术指标或者一句“我觉得会涨”，你会更清楚它们分别在说什么，也知道哪些东西还没有说清楚。
这就是第一样能够带走的东西：一张不算完整，但足够让我们开始辨认方向的市场地图。
第二段路：把问题真的研究一遍
有了地图以后，我们进入真正动手研究的部分。
这一部分不会停在网页里复制几行代码、看一次输出。研究会发生在你自己的电脑上，AI 研究助手、Python 和数据会一起进入现场。
建立自己的 AI 量化实验室
我们准备本地环境、项目和基础数据，让后面的研究有地方真正运行。
股票也讲彩头吗
我们从“名字里带吉利数字的股票会不会更容易涨”开始，把一个有趣甚至有点可疑的想法变成第一次量化实验。
九转之后真的会反转吗
第二个案例更接近常见技术信号，我们会继续练习怎样定义问题、寻找数据和读取结果。
从弱规律到研究级回测
发现一点差异还不够。我们要继续检查买卖条件、时间、费用和各种可能让结果失真的地方。
研究你自己的市场直觉
最后，课程给出的教学问题退到一边，换成你真正想研究的问题，完整走一遍前面学过的过程。
这段路的重点不是看 AI 能写多少代码，而是学会怎样和它一起工作：让它处理数据和程序，也让它重新检查文件、运行结果和研究定义。
走到这里，你应该不只留下几张截图。电脑里还会有一个能够重新运行、继续修改，也经得起自己回头检查的研究项目。
最后，真正带走的是三种能力
把两段路合在一起，这套课程希望留下三样东西。
更懂自己在研究什么
面对价格、消息、行业和各种投资观点时，你不必假装什么都懂，但能够知道问题大概位于哪里。
知道怎样把直觉变成可以检查的问题
你会开始追问：“更容易涨”到底是多长时间？应该和谁比较？需要什么数据？怎样的结果才算支持原来的想法？
能够借助 AI 和程序完成一轮真实研究
你不必把所有 Python 代码都背下来，但需要知道自己让 AI 做了什么、结果从哪里来，以及还有哪些地方不能轻易相信。
你会先学会看市场，再学会研究市场，最后带走一套可以继续使用的 AI 量化研究方法。
朋友听完，点了点头，又问：
“那学完以后，你就能靠它赚钱吗？”
蛙兄重新看了一遍课程地图。上面写了市场、问题、数据、验证和回测，就是没有写“包赚”。
这不是漏印了。
下一章，我们就来认真说说：为什么一门量化课程可以教你研究市场，却不能承诺你一定从市场赚到钱。
课后讨论
留下你的问题、理解或不同意见，也看看其他学习者怎么想。