不存在「最好的学习路径」，只存在与你起点匹配的路径。本库把学习者分成四类，各自给出里程碑（能独立完成什么）而非课时表——里程碑才是进度条，读了几本书不是。
路线一：零基础入门（6–12 个月）
适合没有金融背景也没有编程背景的学习者。原则是双线并进、每月交叉：金融直觉与编程能力互相牵引，避免「学完 Python 忘了为什么」。
- 第 1–2 月：Python 基础 + 金融市场常识（读一本投资学导论，如博迪《投资学》前半）。里程碑：用 tushare/akshare 拉取沪深 300 成分股日线，画出 K 线与均线。
- 第 3–4 月：Pandas/NumPy 数据处理 + 收益率、波动率、回撤等基础统计（配合概率论基础 ）。里程碑：写一个双均线策略的向量化回测，理解每一行在算什么。
- 第 5–7 月：因子入门——把市值、PE、动量做成因子，学会 IC、分组回测、中性化（因子检验 ）。里程碑：独立完成一个因子的完整检验报告。
- 第 8–10 月：回测工程与偏差防控（回测偏差大全 ）、组合与仓位基础（仓位 sizing ）。里程碑：一个含成本模型、含止损规则的多因子策略回测。
- 第 11–12 月：模拟盘运行 8 周以上，写实盘日志 ，对比模拟与回测的偏差并归因。里程碑：能解释「为什么模拟盘跑不过回测」的每一条差异。
最大的弯路：前三个月试图先「学完数学再动手」。数学要在用到时回头补（本库第 01 章按此编写），动手不能等。第二个弯路：把「回测跑通」当毕业——回测通过只是入学考试（见回测偏差 ）。
路线二：传统投研转型
适合分析师、基金经理等已有金融框架的人。你的优势是对生意与财务的理解（直接迁移到基本面因子 ）；你的短板是统计与工程，以及两个思维定势：
- 从「精确的故事」到「分布的验证」：主观投研习惯为一个结论找三个论据；量化要求你先定义「多大样本、什么显著性下我会承认自己错了」（见假设检验 ）。
- 从「选牛股」到「构建组合」：单票逻辑再好也要回答组合层问题——暴露、相关性、容量（见组合构建 ）。
路线：补 Python/Pandas（1–2 月）→ 用你自己最熟悉的财务指标做 2–3 个基本面因子并完整检验（3–4 月）→ 学习回测偏差与执行约束（1–2 月）。里程碑：把你过去最信的一个选股逻辑，做成通过全部稳健性检验的因子。验证信号：你能说出这个逻辑「在什么年份、什么条件下会失效」——说不出失效条件的信念是信仰不是策略。
路线三：程序员转量化
适合有工程背景的学习者。你的优势是工程能力直接覆盖本库第 02、12 章；要补的是市场知识与统计直觉，要警惕的定势是：
- 「回测通过 = 产品验收」：软件测试找 bug，回测找的是永远存在的不确定性——一个夏普 2 的回测不是「正确」，只是一个假设未被证伪；
- 过度工程：先造分布式回测平台再研究因子，是程序员转量化最常见的沉没成本。先用 200 行 Pandas 验证三个因子，再决定要不要造轮子（框架选型见量化框架概览 ）；
- 微观结构与制度盲区：T+1、涨跌停、集合竞价这些「业务逻辑」会直接改变策略成立性（见A 股量化约束 ）。
路线：市场常识与市场结构 （1 月）→ 统计与因子方法论（3–4 月，重点多重检验 与过拟合 ）→ 用你的工程能力把研究流水线自动化（见任务调度 ）。里程碑：一个从数据更新到信号推送全自动、带监控告警的策略系统。
路线四：进阶与专家（QR / PM / QE）
已有 1–2 年实践、想职业化或已经从业的路径。三条轨道的能力模型不同：
| 轨道 | 核心产出 | 深耕方向 | 本库重点章 |
|---|---|---|---|
| QR（研究员） | 因子与模型的 alpha | 统计推断、另类数据、ML、研究纪律 | 01/04/06/13 |
| PM（基金经理） | 在约束下的组合与规模 | 组合优化、容量、风控预算、产品认知 | 09/10/11/15 |
| QE（工程师） | 保障研究到生产的系统 | 低延迟、数据平台、回测引擎、运维 | 02/08/12/14 |
专家的共同分水岭是研究纪律：能否在数百次「显著」结果中守住多重检验的底线（见避免 p-hacking ），能否诚实地归因每一次回撤（见事后风控 ）。