Stock_Analysis_For_Quant / 目录导航
Stock_Analysis_For_Quant 目录导航：六个文件夹里到底有什么、哪些还得自己验证
官方 README 只有一张六行表格把六个工具并列，没有任何一句告诉你某个文件夹里具体有什么。可这个仓库有 1,221 个文件、28 个目录，不知道结构就只能瞎点。
本页把每个目录按固定提交逐个清点了一遍：每个子目录的文件数、扩展名构成、以及几个能点开核对的文件名。后半部分专门列「需要自行验证的部分」——74 个续篇文件、命名不一致、以及删了又补传的痕迹，这些都会实际影响你按文件名找东西的体验。
六个目录的体量
Stock_Analysis_For_Quant 六大目录总览：文件数、扩展名构成与 README 数量
下表按固定提交 df4bd3c58d71 清点。README 数一列值得注意：Excel 目录里有 10 份目录级说明，Matlab 与 Tableau 各只有 1 份。
| 目录 | 文件数 | 扩展名构成 | README 数 | 怎么用它 |
|---|---|---|---|---|
Python_Stock/ | 602 | 574 .ipynb、18 png、8 md、1 xlsx、1 r | 8 | 按主题挑 notebook；注意里面混进了 1 个 R 脚本 |
R_Stock/ | 350 | 335 .R、7 png、6 md、1 ipynb、1 Rmd | 6 | 一个文件通常对应一个指标或一个回归方法，粒度很细 |
Excel_Stock/ | 232 | 193 .xlsx、19 png、10 md、7 .xlsm、2 txt、1 docx | 10 | 打开即用；但 .xlsm 会触发宏安全提示 |
PowerBI_Stock/ | 17 | 11 .pbix、2 png、2 md、1 xlsx、1 csv | 2 | 需要 Power BI Desktop 才能打开；本条未实测 |
Tableau_Stock/ | 11 | 7 .twbx、3 png、1 md | 1 | 需要 Tableau 才能打开；本条未实测 |
Matlab_Stock/ | 6 | 3 .mlx、1 .m、1 png、1 md | 1 | 内容很薄，只能当入门样例；本条未实测 |
Python_Stock 内部怎么切：七个主题分区的文件数与代表作
602 个文件里，33 个直接放在顶层，其余按七个主题分区。下表给出每个分区的体量与几个能立刻点开的文件名。
| 子目录 | 文件数 | 代表文件 | 这一区解决什么 | 注意点 |
|---|---|---|---|---|
Technical_Indicators/ | 213 | SMA.ipynb、MACD.ipynb、RSI.ipynb、Ichimoku.ipynb、SuperTrend.ipynb、VWAP.ipynb | 一个指标一个文件，从 ADL 到 ZigZag，另有两份总表（talib 与 ta 两个库各一份） | 这里也放着 R_Kijun-Sen_Part2.R，是全目录唯一的 R 文件 |
Apply_Mathematics_Trading_Investment/ | 91 | Heston_Model.ipynb、Fokker_Planck_Stock.ipynb、Elliott_Wave_Stock.ipynb、Girsanov_theorem_Stock.ipynb | 把数学工具（随机微分、测度论、信息论、相对论等）套到价格序列上 | 主题远超常规量化，部分文件属于「实验性联想」而非主流做法 |
Portfolio_Strategies/ | 81 | Optimal_Portfolio.ipynb、CAPM.ipynb、Factor_Analysis.ipynb、Risk_Returns_Portfolio.ipynb、Gold_Portfolio.ipynb | 组合构建与主题组合案例（另有大量按行业/事件命名的组合） | 主题类 notebook 的文件体积偏大，多数在 2–10 MiB |
Candlestick_Patterns/ | 66 | Candlestick_Engulfing.ipynb、Candlestick_Hammer.ipynb、Candlestick_Morning_Star.ipynb、CandlestickExample.ipynb | 把常见 K 线形态逐个做成可对照的例子 | 形态命名沿用英文习惯，中文名需要自己对应 |
Time_Series_Forecasting/ | 55 | Stock_Forecasting_Prophet.ipynb、Stock_Forecasting_PyFlux_GARCH.ipynb、Stock_Forecasting_statsmodels.ipynb、Stock_Forecasting_Darts.ipynb | 把主流预测库各写一遍：Prophet、PyFlux、Pastas、PMARIMA、PyAF、Darts、Autots、skforecast、tsmoothie、ARCH | 同一模型常有 _Part2／_Part3，要挑版本 |
Stock_Measurement_Ratio_Chart/ | 45 | Stock_Sharpe_Ratio_Chart.ipynb、Stock_Sortino_Ratio_Chart.ipynb、Stock_Kelly_Fraction_Chart.ipynb、Stock_Value_at_Risk_Chart.ipynb | 把绩效与风险比率逐个画成图（含 Ulcer、Pain、Omega、Sterling 等） | 与 Excel 侧的比率目录一一对应，是跨语言对账的入口 |
Options_Strategies/ | 18 | Black_Scholes_Formula.ipynb、Options_Payoff_Call.ipynb、Options_Butterfly_Spread.ipynb、Introduction_Options.ipynb | 期权定价公式与损益图的入门实现 | 策略实现数量少于 README 里列的期权策略清单 |
| 顶层 33 个文件 | 33 | YFinance_Tutorial.ipynb、Stock_Basic_Statistics.ipynb、Stock_Alpha_Beta.ipynb、ValueAtRisk.ipynb、Fundamental_Analysis.ipynb | 取数入门与单指标分析，多数依赖较少，适合第一次跑通 | 这些是全域里最容易上手的入口 |
YFinance_Tutorial.ipynb 与 Stock_Basic_Statistics.ipynb。它们只依赖 yfinance 与 pandas 一类常见库，跑通之后再进 Technical_Indicators/。Stock_Analysis_For_Quant 的这个分区是全域最容易一次跑通的地方。R_Stock 与 Excel_Stock：Stock_Analysis_For_Quant 里两个「一个主题一个文件」的重灾区
这两个目录加起来 582 个文件，是全域体量的另一半。它们共同的特点是：文件名极细，靠文件名就能判断内容。
| R_Stock 子目录 | 文件数 | 代表文件 | 这一区解决什么 | 注意点 |
|---|---|---|---|---|
R_Technical_Analysis/ | 162 | R_MACD.R、R_RSI.R、R_Bollinger_Bands.R、R_Ichimoku.R | 与 Python 侧指标一一对应的 R 实现，统一带 R_ 前缀 | 命名偶有空格（R_Klinger _Oscillator.R） |
R_Forecast/ | 51 | R_Forecast_ARIMA.R、R_prophet_forecast.R、R_Forecast_TBATS.R、R_Check_Stationary.R | 把 forecast / fable / prophet 三个体系的预测方法各写一遍 | 平稳性检验单独成文件，是很好的起点 |
R_Regression/ | 41 | StockLinearRegression.R、StockLassoRegression.R、StockRandomForest.R、StockTobitRegression.R | 从普通最小二乘到 Ridge／Lasso／PCA／Tobit／分位数回归 | 回归类覆盖面在三个语言里是最宽的 |
R_Volatility/ | 38 | Parkinson_Volatility.R、Garman_Klass_Volatility.R、Yang-Zhang_Volatility.R、Historical_Volatility.R | 不同波动率估计量：收盘价法、高低价法、隔夜与日内分解 | 同一波动率指数不同估计量结果不同，属正常现象 |
R_Risk_Returns_Ratios/ | 35 | Sharpe_Ratio.R、Sortino_Ratio.R、Calmar_Ratio.R、ProbSharpe_Ratio.R、OmegaSharpe_Ratio.R | 绩效比率的 R 实现，含若干不常见的比率 | 与 Excel 侧比率目录互为对照 |
| 顶层 23 个脚本 | 23 | BasicStockAnalysis.R、StockSharpeRatio.R、Stock_VaR.R、Kelly_Criterion.R | 取数与单指标分析，quantmod 取数写法在 BasicStockAnalysis.R 里 | 先看这一个文件就能掌握 R 侧取数习惯 |
| Excel_Stock 子目录 | 文件数 | 代表工作簿 | 这一区解决什么 | 注意点 |
|---|---|---|---|---|
| 顶层 80 个工作簿 | 80 | Stock_Risk_Returns.xlsx、Stock_Historical_Volatility.xlsx、Stock_Drawdown.xlsx、Stock_Monte_Carlo.xlsx | 最常用的指标与模拟，命名自解释，打开即用 | 同名工作簿在两个层级都出现过，注意看路径 |
Excel Risk-Adjusted Returns Ratios Measurement/ | 41 | Sharpe_Ratio.xlsx、Sortino_Ratio.xlsx、Calmar_Ratio.xlsx、Ulcer_Index.xlsx | 一个比率一个工作簿，写成可核对的公式 | 目录名含空格，脚本化访问时要加引号 |
Excel_Time_Series/ | 26 | Stock_ARIMA.xlsx、ACF.xlsx、PACF.xlsx、Stock_Stationary_Augmented_Dickey_Fuller_Test.xlsx | 平稳性、自相关与 ARIMA 的表格实现，另有误差指标分解 | 误差指标按四类拆成四个工作簿 |
Excel_Option/ | 20 | Options_Black-Scholes.xlsx、Options_Greeks.xlsx、Options_Payoff.xlsx | 期权定价、希腊字母与损益图 | 配图较多（8 张 png），是给教学用的 |
Excel_Statistics/ | 16 | Stock_Hypothesis_Testing.xlsx、Stock_Q-Q_Plot.xlsx、Stock_Correlations_Explained.xlsx | 假设检验、分布、置信区间等统计基础 | 单个工作簿体积偏大（相关性那份约 5.8 MiB） |
Excel_Stock_VBA_Macros/ | 15 | Stock_Calculate_Daily_Returns.xlsm、Stock_Button_Sheets.xlsm、Stock_Index_Links.xlsm | 按钮式宏：算日收益、整理工作表、生成索引链接 | 7 个 .xlsm 需要启用宏 |
Excel_Machine_Learning/ | 14 | Stock_KNN.xlsx、Stock_K_Means.xlsx、Stock_Cluster.xlsx、Stock_Logistic_Regression.xlsx | 在表格里做聚类、判别与回归 | 与 Python／R 侧的 ML 目录主题重叠，可对照 |
Excel_Portfolio_Strategies/ | 9 | Portfolio_Optimization.xlsx、Portfolio_Theory.xlsx、Portfolio_Value_At_Risk.xlsx | 组合优化与风险分解的表格实现 | 体量小但对应主题很核心 |
Bullock_Gold_Mining_Case/ | 7 | Bullock_Gold_Mining_Case.xlsx、Payback_Function.xlsx、VBA_Script.txt | 一个完整的金矿估值案例，含 VBA 源码文本与项目文档 | 是教材式作业，与二级市场分析关系较远 |
Excel_Technical_Indicators/ | 4 | Technical_Analysis.xlsx、Pivot Points.xlsx | 指标与枢轴点的表格实现 | 文件数很少，但 Technical_Analysis.xlsx 约 10.7 MiB |
Power BI、Tableau、Matlab：Stock_Analysis_For_Quant 里三个「看一眼别人怎么做」的目录
这三个目录加起来 34 个文件，占全域不到 3%。它们的价值不是体量，而是让你看到同一份行情在商业可视化工具与数值计算环境里的呈现方式。
| 目录或文件 | 是什么 | 能看到什么 | 前提条件 | 本站状态 |
|---|---|---|---|---|
PowerBI_Stock/Import_Stock_Data_from_Yahoo.pbix | Power BI 取数样例 | 从 Yahoo 行情建数据源与刷新流程的做法 | 需要 Power BI Desktop | 未实测（本机无授权） |
PowerBI_Stock/Stock_Candlestick_Chart.pbix | K 线图样例 | 烛台可视化的字段与视觉对象配置 | 可能需要额外视觉对象 | 未实测；README 里给的插件链接已不可用，详见仪表板页 |
PowerBI_Stock/Stock_Reuters_Financials.pbix | 财务数据仪表板 | 财务指标在仪表板上的组织方式 | 需要 Power BI Desktop | 未实测 |
PowerBI_Stock/^GSPC.csv 与 SP500_Stocks_Data.xlsx | 离线样例数据 | 标普 500 的历史数据与成分数据 | 可直接用任何表格软件打开 | 本体可直接读（属于数据文件） |
Tableau_Stock/StockOHLC.twbx | OHLC 打包工作簿 | OHLC 字段在 Tableau 里的处理方式 | 需要 Tableau | 未实测 |
Tableau_Stock/StockCandlestick.twbx 与 StockCandlestick2.twbx | K 线打包工作簿 | 两种烛台实现思路（含两张参考 PNG） | 需要 Tableau | 未实测 |
Tableau_Stock/StockDescriptiveStatistics.twbx | 描述统计打包工作簿 | 统计量在 Tableau 表计算里的写法 | 需要 Tableau | 未实测 |
Matlab_Stock/DailyReturn.m 与 DailyReturn.mlx | 日收益计算 | 同一件事的脚本版与实时脚本版对照 | 需要 Matlab（README 写 R2016a） | 未实测 |
Matlab_Stock/DailyStock.mlx 与 financial_analysis.mlx | 日行情与金融分析 | Matlab 侧的取数与分析写法 | 需要 Matlab | 未实测 |
Stock_Analysis_For_Quant 里需要自行验证的部分：五类「按文件名找东西会踩到」的情况
目录清点过程中发现的五类问题。它们不影响文件本身的价值，但会让「按名字搜索」这种最常见的用法出错。
| 情况 | 具体表现 | 影响 | 怎么处理 |
|---|---|---|---|
| 续篇文件（74 个） | R_Forecast_SMA_Part2.R 与 R_Forecast_SMA_Part3.R；Stock_Forecasting_Prophet_Part_2.ipynb；Stock_Linear_Regression_2.xlsx | 同一主题有两三个文件，看不出哪个更新、哪个是替代 | 打开文件看内容与修改时间，别只按名字判断 |
| 编号前缀（2 个） | 1_Technical_Indicators_talib.ipynb 与 1_Technical_Indicators_ta.ipynb | 排序时它们会跑到最前，看起来像「第一章」，实际是两份库总表 | 把它们当索引用，不当教程第一章 |
| 拼写不一致 | Python 侧是 Donchain_Channel.ipynb，R 侧是 R_Donchian_Channel.R；组合目录里有 Ukarine_War_Portfolio.ipynb；Klinger _Oscillator.R 与 Klinger_Volume_Oscillator.R 并存 | 精确匹配搜索会漏 | 用模糊搜索（只搜关键词主干），或直接在目录内翻 |
| 跨目录混放 | Python_Stock/Technical_Indicators/R_Kijun-Sen_Part2.R 是全 Python 目录里唯一的 R 文件；Excel 顶层与子目录存在同名工作簿 | 按扩展名筛选时会漏掉或重复 | 按目录定位，不按扩展名全局筛 |
| 删除后重新上传的痕迹 | 固定提交历史里，Donald_Trump_Portfolio.ipynb 先被删除（Delete … 提交），二十多秒后又有一次 Add files via upload，该文件目前仍在目录中 | 「已删除的文件」可能仍然存在；反之某些被引用的文件也可能已不存在 | 以当前 commit 的文件清单为准，别信历史文章里的路径 |
拿全量清单，而不是逐页翻
用仓库的树接口拿到完整文件清单（本页统计就是这么做出来的）。预期输出：一份 1,221 行的路径清单，可以本地搜索、排序、按扩展名聚合。
按「主干关键词」搜索，而不是精确名
例如搜
Donch而不是Donchian_Channel，能同时命中两种拼写。预期输出：命中 2–3 个候选文件，再逐一打开确认。先读目录 README，再读文件
29 份 README 里有 28 份是目录级说明，虽然只写「描述 + 软件下载链接 + 免责声明」，但能快速确认这个目录的主题范围。预期输出：一份「这个目录该不该继续看」的判断，避免在错误目录里花时间。
按任务在 Stock_Analysis_For_Quant 里找文件：八条最常被问到的路径
不知道从哪下手时，先看「你想做什么」，再按表格里的路径去找。每一格都是能在仓库里点开的真实文件。
| 想做的事 | 先去哪个目录 | 代表文件 | 同题的其它语言实现 | 注意点 |
|---|---|---|---|---|
| 第一次跑通、看数据长什么样 | Python_Stock/ 顶层 | YFinance_Tutorial.ipynb、Stock_Information.ipynb | R 侧 BasicStockAnalysis.R | 依赖最少，适合当环境自检 |
| 算收益率与基础统计 | Python_Stock/ 顶层 或 Excel_Stock/ 顶层 | Stock_Analysis_Returns.ipynb、Stock_Returns_Analysis 系列、Stock_Holding_Period_Return.xlsx | R 侧 StockReturnsAnalysis.R | 算术与几何收益要分清 |
| 算风险调整绩效比率 | Excel_Stock/Excel Risk-Adjusted Returns Ratios Measurement/ | Sharpe_Ratio.xlsx、Sortino_Ratio.xlsx、Calmar_Ratio.xlsx | R 侧 R_Risk_Returns_Ratios/；Python 侧 Stock_Measurement_Ratio_Chart/ | 三处口径可能不同，需对账 |
| 画 K 线与形态 | Python_Stock/Candlestick_Patterns/ | Candlestick_Engulfing.ipynb、Stock_Candlestick_Chart.ipynb | Tableau 侧 StockCandlestick.twbx | Tableau 需授权，未实测 |
| 做时间序列预测 | Python_Stock/Time_Series_Forecasting/ | Stock_Forecasting_statsmodels.ipynb、Stock_Forecasting_Prophet.ipynb | R 侧 R_Forecast/；Excel 侧 Excel_Time_Series/ | 同一模型常有续篇，先挑一个跑通 |
| 做回归或机器学习 | R_Stock/R_Regression/ | StockLinearRegression.R、StockRandomForest.R | Excel 侧 Excel_Machine_Learning/；Python 侧 Basic_Machine_Learning_Predicts.ipynb | 时间序列建模要防未来函数 |
| 做组合与资产配置 | Python_Stock/Portfolio_Strategies/ | Optimal_Portfolio.ipynb、CAPM.ipynb、Tactical_Asset_Allocation.ipynb | Excel 侧 Excel_Portfolio_Strategies/ | 主题组合多，别当成策略推荐 |
| 做期权定价与损益图 | Python_Stock/Options_Strategies/ | Black_Scholes_Formula.ipynb、Options_Payoff_Put.ipynb | Excel 侧 Excel_Option/ | 实现数量少于 README 的策略清单 |
完全不会编程
只看 Excel_Stock/ 的 232 个文件：顶层 80 个工作簿解决常用指标，比率目录 41 个解决绩效评价，时间序列目录 26 个解决预测。全部打开即用，不需要装任何环境，但要注意 7 个 .xlsm 会弹宏安全提示。
会一点 Python
从 Python_Stock/ 顶层 33 个文件起步，再按主题进子目录。技术指标区的 213 个文件足够覆盖绝大多数指标需求，而且「一个指标一个 notebook」的粒度很方便对照公式。先装 yfinance 与 pandas 就能跑多数文件。
会 R
R_Stock/ 的五个子目录覆盖技术分析、预测、回归、波动率、绩效比率。R 侧独有的优势是波动率估计量与回归方法更全（38 与 41 个文件），适合做方法对比研究。取数写法先看 BasicStockAnalysis.R。
要交互式仪表板
只有 PowerBI_Stock/ 与 Tableau_Stock/ 两个方向，共 28 个文件，都需要商业软件授权。若只是想要可交互的图，用 Python 出图或走免部署路线更省事；这两个目录更适合已有授权的用户参考实现。
df4bd3c58d71 清点出来的，仓库若后续有变动，请以最新状态复核。关于 Stock_Analysis_For_Quant 目录结构的常见问题
以下结论按固定提交 df4bd3c58d71（2026-09-30 采集）清点得出；仓库当前状态请以官方页面为准。
为什么六个目录的体量差这么多？
这是仓库的实际情况：Python 602、R 350、Excel 232，而 Power BI 17、Tableau 11、Matlab 6。前三个是长期累积的主题文件，后三个更接近「示例展示」。如果你按 README 里六个并列的印象去规划学习时间，会觉得后三个目录「打开没什么东西」；按文件数分配预期就不会。具体数字请以官方仓库当前文件清单为准。
目录里的 README 有用吗？
有用但有限：全仓 29 份 README 中，根 README 约 23.8 KB，主要是金融概念解释与各类清单；其余 28 份是目录级说明，内容结构基本一致（描述 + 软件下载链接 + 作者 + 免责声明），不包含运行步骤、参数说明或依赖清单。它们能帮你确认目录主题范围，但装什么库、按什么顺序跑，仍然要自己补。
我怎么快速知道某个文件是干什么的？
先看文件名——这个仓库的命名自解释程度较高（R_Forecast_ARIMA.R、Stock_Historical_Volatility.xlsx 基本能读出来）。其次看它所在目录的主题。再次看同级有没有「总表」文件，例如 Python 技术指标区里的 1_Technical_Indicators_talib.ipynb 与 1_Technical_Indicators_ta.ipynb，可以直接当地图用。以官方仓库当前文件清单为准。
为什么会有 _Part2、_Part3、_2 这类文件？
按固定提交清点，文件名里带续篇标记的有 74 个，分布在 R、Python、Excel 三个目录。从提交历史看不出明确规则：这些文件多为「Add files via upload」方式上传，没有说明是替换还是补充。实际处理办法是打开看内容与更新时间，而不是按文件名排序判断。这是本站按提交清单清点得出的结论，官方没有相关说明。
Python 目录里为什么会有一个 R 文件？
是的：Python_Stock/Technical_Indicators/R_Kijun-Sen_Part2.R 是全 Python 目录里唯一的 .R 文件。类似情况还有 Excel 顶层与子目录存在同名工作簿。这类混放不影响文件可用性，但会让「按扩展名筛选」的用法出错——建议按目录定位文件，而不是按扩展名全局搜索。以官方仓库当前文件清单为准。
这些目录里有 A 股相关的文件吗？
没有。按固定提交清点，六个目录里都没有 A 股代码、A 股字段说明或中文数据源的处理代码；Python 侧示例用 yfinance 取美股 ticker，R 侧用 quantmod 取 AAPL 这类标的，Power BI 侧附带的样例是 ^GSPC（标普 500）。要做 A 股需要自己换数据源，本站另有一页专门讲这六项改造。以官方仓库当前状态为准。
如果我只想下载几个文件，怎么操作？
仓库体积约 306 MiB，完整克隆对只想看两三个文件的人来说偏重。做法是：先在目录导航里定位路径，然后在仓库页面逐层点进目录、用单文件下载或按目录打包下载的方式取用。本页第 6 节的三步流程就是围绕这个思路写的。以官方仓库当前提供的下载方式为准。