结论先说：WQU 和 QuantConnect 解决的是两个不同的问题。WQU 补知识体系，QuantConnect 练研究流程。单独用任何一个，都会留缺口。
自学量化的人大多走过同一条弯路：跑通一个回测，Sharpe 3.7，兴奋，上实盘，账户爆炸。问题往往出在策略写出来了，写的人却说不清自己为什么这么做。
把 WQU 和 QuantConnect 放在一起看，边界其实很清楚。
WQU：把地基打完
WorldQuant University 最大的价值是课程体系完整。它的教学顺序是一条从底往上的线：
数学 → 统计 → Python → 金融数据 → Machine Learning → Financial Engineering
这条线和碎片化教学相反：WQU 不会今天教 RSI，明天教均线，后天教一个套利策略。
对于已经有研究训练、但计算机和量化知识体系不完整的人，这种方式合适。
它的短板也在这里。WQU 是基础教育层，学完之后手里并不会有：
- 完整回测框架
- 高频交易系统
- OMS/EMS
- 交易所 API 对接
- 实盘部署能力
- Alpha research pipeline
一句话定位：「我要把量化基础系统补起来」，选它。
QuantConnect：把流程跑通
QuantConnect 的价值和 WQU 完全错开。它让你真的做 Quant Research，整条 pipeline 是：
数据 → Feature Engineering → Alpha → Portfolio Construction → Risk Management → Execution → Backtest → Live Trading
这条链路接近实际的量化研究工作。
三个具体优点：
① 资产覆盖完整。 Equity、ETF、Futures、Options、Forex、Crypto 都能研究。
② LEAN 引擎开源。 它背后的回测引擎 LEAN 本身是开源项目，代码可以拿下来读。
③ 从 Research to Live。 大量学习网站的教学停留在 df['close'].pct_change()，然后宣布"恭喜你，你已经完成量化交易"。QuantConnect 更接近真实的研究流程。
它的缺点恰恰是太像实验室，不像学校。用久了很容易出现一种状态：「我会写策略，但我不知道自己为什么这么做。」
具体到几类常见策略，RSI sweep、Grid、Momentum、Mean Reversion，加上 PBO、DSR、CSCV 这些回测检验方法，没有统计基础打底，结局通常是：
Backtest → Sharpe 3.7 → 兴奋 → Overfit → 实盘爆炸
如果你想知道 PBO 和 DSR 到底在算什么，两篇原始论文都值得直接读：Bailey 等人的 《The Probability of Backtest Overfitting》，以及 Bailey 和 López de Prado 的 《The Deflated Sharpe Ratio》。
组合用法
两条路径拼起来才完整：
| 缺口 | 补法 |
|---|---|
| 统计、概率基础薄弱 | WQU 或教材先行 |
| 只会写策略、说不清为什么 | 回到 WQU 的统计与金融工程课程 |
| 有理论、没碰过真实数据 | QuantConnect 走 research → backtest → live 全流程 |
QuantConnect 最好和 WQU 或教材一起使用：前者给手感，后者给判断力。
判断力落到操作上就一件事：每个策略上实盘前，先答出 PBO 是多少。答不上来，就还没到上实盘的时候。