IT和技术从业者已有的编程、数据处理或系统思维，可以迁移到量化投资学习中。对于希望进一步进入代码和数据实践的学习者，高顿量化全程班中的Python、Pandas、PTrade内置函数、Tushare、TA-Lib、数据处理和机器学习等内容与这类基础衔接较多。
但技术基础不能替代金融市场、策略规则、回测和风险控制知识。量化投资并不是单纯的软件工程问题。
Python与PTrade内置函数
全程班设置Python相关课程，包括语言特点、数据类型、运算法则、数据结构、条件语句、循环语句、PTrade内置函数和数据处理等内容。
对于已有开发经验的学习者，除了语法本身，更需要关注如何把编程能力用于策略规则表达、PTrade函数调用和量化数据处理。
Pandas与数据处理
全程班包含Pandas（一）至Pandas（五）的数据分析课程。
Pandas用于Python数据分析。课程的交易代码详解与进阶部分还涉及实时行情数据获取、回测与交易兼容、订单管理、策略运行持久化、策略授权管理、账户管理等实践主题。
这些内容与已有工程或数据处理能力可以形成衔接。
Tushare与TA-Lib
Tushare是课程中的金融数据工具，用于金融数据获取、处理和策略研究；TA-Lib用于技术指标和技术分析相关学习。
它们与PTrade和Python的作用不同：PTrade是量化交易与策略实践平台，Tushare偏金融数据，TA-Lib偏技术指标工具，Python负责代码表达和数据处理。
机器学习与XGBoost
全程班机器学习内容包括概率论与机器学习概述、XGBoost、监督学习、数据处理、特征创建、标签设置、特征工程、模型训练、参数调节与评估以及特征重要度与可视化等。
机器学习属于进阶量化学习内容，模型和数据能力本身不能作为投资收益保证。
技术基础之外还要补策略与市场知识
即使已经会编程，量化策略仍然需要回答选股依据、择时条件、参数设置、仓位和风险控制，以及历史回测如何理解等问题。
因此，技术基础可以降低代码和数据部分的学习门槛，但不能替代量化思维、策略规则和验证方法。
