stefan-jansen--machine-learning-for-trading/README.md

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

Machine Learning for Trading — 第三版

构建、测试并部署机器学习驱动的交易策略——从数据获取到实盘执行。

本仓库托管 Machine Learning for Trading, 3rd Edition 一书的代码，作者为 Stefan Jansen ——这是一次从零开始的重构，围绕一条端到端工作流组织：如何将研究构想定义出来，并通过迭代开发成一套能在真实市场中实际运行、并持续运行的策略。

• 九个案例研究 贯穿全书 27 章展示该工作流，涵盖从原始数据、特征、模型、回测、成本与风险到部署的完整路径。
• 本版新增的 生成式 AI（Generative AI） 与 自主智能体（autonomous agents） 贯穿该工作流，将检索增强生成（retrieval-augmented generation）、知识图谱与多智能体系统引入金融研究。
• 配套网站 提供 112 篇入门讲解, 56 项 agent 技能, 以及 六个可用于生产的 Python 库，可支撑工作流中的多个重要环节。

🎓 新增：直播课程与闪电课

第三版首次配套 直播同期班课程、动手 工作坊 以及由 Stefan 在 Maven 平台开设的免费 闪电课 ——完整课表见 课程页面.

• ▶ Machine Learning for Trading: From Research to Production ——旗舰直播同期班课程：将研究构想一路推进到已部署、可监控的策略，在直接反馈下走完书中的端到端工作流。首期班于 2026 年 7 月 6 日（周一）开课——报名于 7 月 3 日（周五）截止。
• Getting Stuff Done with Coding Agents ——一节关于如何让 coding agents 投入实战的免费闪电课。
• Building Multi-Agent Forecasting Systems ——动手工作坊，讲授如何工程化预测智能体循环：为金融研究构建可审计、辩论驱动的多智能体系统。

---

第三版有哪些新内容

全书遵循一条统一路径：从数据基础设施与策略研究出发，跨越将调优与评估分开的 证据边界（evidence boundary），直至部署与监控——并辅以反馈循环，在策略优势衰减时进行再训练、暂停或退役。

早期版本按技术逐点推进，第三版则将这一流程端到端贯通，并新增大量内容：

• 更丰富的模型工具箱：从梯度提升（XGBoost、LightGBM、CatBoost）到深度时间序列架构（PatchTST、iTransformer、TSMixer、TCN、Mamba），再到较新的表格与潜因子模型（TabPFN、TabM、条件自编码器与监督自编码器）。
• 专门的策略设计章节：交易成本与风险管理现为完整章节（此前均未单独成章），并与组合构建、策略综合衔接，使原始信号一路贯通至经规模调整、成本与风险感知的组合。
• 完整的生产化路径：实盘交易系统（Interactive Brokers、Alpaca、QuantConnect）、MLOps 与治理（漂移检测、安全发布、熔断机制、特征存储、实验跟踪），以及运行策略（而非仅构建策略）的运维现实。
• 生成式 AI：基于 SEC 申报文件的检索增强生成、知识图谱与 Graph RAG，以及自主多智能体研究系统。
• 因果机器学习（Causal machine learning）：Double ML、贝叶斯结构时间序列（Bayesian structural time series）与因果发现，用于区分真实效应与虚假相关。
• 强化学习（Reinforcement learning）：最优执行、带库存的做市，以及深度对冲。
• 合成金融数据：TimeGAN、Tail-GAN、Sig-CWGAN 以及基于扩散的生成器，用于在历史数据较短时进行验证。

方法论严谨性被作为一等公民主题，而非事后补充。本书明确区分探索与确认——即 证据边界——全书采用滚动前向交叉验证（walk-forward cross-validation），并直面悄然使大多数回测失效的多重检验与过拟合问题，借助 Deflated Sharpe Ratio、Rademacher Anti-Serum、White's Reality Check 等工具，以及保形预测（conformal prediction）以获得诚实的 uncertainty 估计。

数据层迁移至 Polars，以实现快速的基于表达式的数据处理；每章均提供 可复现的 Docker 环境，确保结果在不同机器上可重复；PyTorch、LightGBM、Optuna 与 Plotly 共同构成建模与可视化技术栈。

九个案例研究

第三版的结构核心是 九个案例研究，贯穿全书。ETF、加密货币永续合约、日内股票、期权、外汇、期货与股票因子面板均经由同一流水线——从原始数据与标签到特征、模型、回测、成本、风险叠加，直至最终部署评估。将一套严谨流程应用于九个截然不同的市场，可展示其适用之处、失效之处及原因。

案例研究	资产类别	频率	探索内容
ETFs	多资产 ETF	日频	100 只 ETF 的跨资产动量与均值回归
Crypto Perps	加密货币	8 小时	永续期货的资金费率套利
NASDAQ-100	股票	15 分钟	来自订单流与 LOB 的日内微观结构信号
S&P 500 Equity + Options	股票 + 期权	日频	以隐含波动率特征增强的股票筛选
US Firm Characteristics	股票	月频	公司层面特征面板（规模、价值、动量、质量）
FX Pairs	外汇	日频	主要货币对的 carry 与动量
CME Futures	期货	日频	商品与金融期货的期限结构与 roll-yield 信号
S&P 500 Options	期权	日频	纯期权策略（跨式、delta 对冲头寸）
US Equities	股票	日频	美国股票广截面及经典因子暴露

112 个入门主题

为书中所依赖的每个概念提供免费讲解。各部分均链接至完整列表；以下若干主题展示其覆盖范围：

• 基础: 8 个主题，涵盖限价订单簿机制、双时态数据模型，以及模拟器必须复现的 stylized facts。
• 研究设计与特征工程: 21 个主题，包括因子研究中的多重检验、分数差分，以及金融序列的路径签名（path signatures）。
• 模型开发: 22 个主题，其中有正则化几何、金融中的保形预测，以及双重机器学习（double machine learning）的机制。
• 策略实现: 27 个主题，从 deflated Sharpe ratio 与层次风险平价（hierarchical risk parity），到 Almgren-Chriss 最优执行。
• 高级 AI: 8 个主题，如马尔可夫决策过程（Markov decision processes）、策略梯度定理（policy-gradient theorem），以及事件预测的正确评分规则（proper scoring rules）。
• 生产化: 2 个主题：冠军-挑战者评估（champion-challenger evaluation），以及特征存储带来的训练-服务偏移（training-serving skew）。
• 跨章节概念: 20 个在各章中引用的构建模块，例如动量与均值回归、偏差-方差权衡（bias-variance tradeoff），以及滚动前向验证（walk-forward validation）。

56 Agent Skills

面向编码智能体的可复用、带护栏的任务，每项均内置针对前瞻偏差（lookahead bias）、数据泄露（data leakage）和多重检验错误的防护。每个类别链接到其完整技能集；以下列举部分技能以展示范围：

• Concepts: 10 项技能，涵盖前瞻偏差、数据泄露和信息系数（information coefficient）。
• Data Acquisition: 7 项技能，涵盖数据获取、构建 bars 与数据验证。
• Feature Engineering: 10 项技能，包括特征计算、三重障碍标签（triple-barrier labels）和特征选择。
• Evaluation & Validation: 8 项技能，从步进式交叉验证（walk-forward CV）与清除-禁运（purging-and-embargo）到收缩夏普比率（Deflated Sharpe ratio）。
• Backtesting: 5 项技能，例如运行回测、成本模型和 tear sheets。
• Portfolio Management: 5 项技能，包括仓位管理、风险指标和熔断开关（kill switches）。
• Infrastructure: 4 项技能，例如规范 schema、注册表系统和 Polars 模式。
• Workflows: 5 项技能，涵盖因子研究、模型验证和生产就绪。
• Production: 2 项技能：实盘交易与监控与告警。

---

The ML4T Libraries

这些 notebook 基于六个生产级 Python 包构建，每个包均有独立文档且可单独使用——对应工作流的每个阶段：

Library	Stage	What it does
ml4t-data	Data	通过统一接口从 19+ 家数据提供商获取市场数据
ml4t-engineer	Signal	特征、标签、替代 bars，以及防泄露的数据集准备
ml4t-models	Models	面向金融的潜因子、SDF、直接预测与组合学习
ml4t-diagnostic	Evaluation	特征验证、策略诊断与收缩夏普比率（Deflated Sharpe Ratio）
ml4t-backtest	Strategy	具备真实istic 执行的事件驱动回测
ml4t-live	Deployment	对接券商的生产级交易

---

导言与收尾章节为六个与工作流对齐的部分作书脊。各章标题链接到对应指南，随各部分陆续发布；其余章节将在未来数周内逐部分添加。

Introduction

1. The Process Is Your Edge

为何流程纪律胜过模型复杂度。将 ML4T 工作流介绍为从研究到生产的系统，涵盖因子收益与宏观指标上的制度识别（regime detection），以及区分探索与确认的 evidence boundary。

Part I — Financial Data (Chapters 2–5)

全书其余部分所依托的市场、工具与基础设施：数据源分类体系、将原始交易所消息转化为可用于特征的 bars、时点（point-in-time）基本面，以及用于稳健验证的合成历史数据。

2. The Financial Data Universe

市场、基本面与另类数据的分类体系。调研八类资产，量化幸存者偏差（survivorship bias），对比存储格式（Parquet、DuckDB、kdb+、TimescaleDB），并建立全书沿用的数据质量框架。

3. Market Microstructure

从原始交易所消息到可用于特征的 bars。解析 NASDAQ ITCH，从多数据源重建限价订单簿，验证 Lee-Ready 成交分类，并比较 bar 采样方法——dollar bars 带来最佳的收益正态性。

4. Fundamental and Alternative Data

面向 SEC EDGAR 申报文件的时点（point-in-time）流水线、跨标识符体系的实体解析、宏观与大宗商品基本面，以及另类数据评估——包括链上加密基本面与预测市场（Kalshi、Polymarket）。

5. Synthetic Financial Data

生成替代市场历史以进行稳健验证。实现 TimeGAN、Tail-GAN、Sig-CWGAN、Diffusion-TS 与基于 LLM 的表格生成，并通过保真度–效用–隐私框架进行评估。

Part II — Research Design and Feature Engineering (Chapters 6–10)

先定义交易问题，再将数据转化为可供模型使用的信号：研究设计、标签、特征，以及决定任何模型能学到什么的评估。

6. Strategy Research Framework

在建模之前定义交易博弈：标的池规则、决策日程、成本模型、评估协议与运行日志。介绍九个案例研究，以及贯穿第 7–20 章的步进式交叉验证（walk-forward cross-validation）纪律。

7. Defining the Learning Task

标签工程（前瞻收益、三重障碍、trend scanning）、单变量特征评估（信息系数、分位数分析、可行性筛选）、多重检验控制（BH-FDR、Deflated Sharpe Ratio）与因果合理性检验。

8. Financial Feature Engineering

来自价格数据的五类特征族（动量、反转、波动率、流动性、微观结构），结构与跨工具特征（收益率曲线、期限结构、相对价值），情境特征（宏观制度、日历、情绪），以及带稳健性检验的特征选择。

9. Model-Based Feature Extraction

来自拟合模型的特征：平稳性诊断、Kalman 滤波器、傅里叶与小波谱特征、GARCH 波动率与 HMM 制度概率——全程强制时点（point-in-time）正确性。

10. Text Feature Engineering

从词袋到 Transformer：TF-IDF、Word2Vec 与 GloVe 嵌入、LSTM 序列模型、FinBERT 情绪、金融 NER 微调，以及新闻–收益信号构建。

Part III — Model Development (Chapters 11–15)

五类模型族应用于相同的九个案例研究，均以线性基线为起点。

11. The ML Pipeline

正则化线性模型（Ridge、LASSO、Elastic Net）作为后续所有模型必须超越的基线。用于方向的逻辑回归、SHAP 可解释性、用于不确定性的共形预测（conformal prediction），以及跨九个案例研究的数据集对比。

12. Gradient Boosting and Advanced Tabular Models

XGBoost、LightGBM 与 CatBoost，配合 Optuna 多目标调参，以及深度学习表格替代方案（TabPFN、TabM）。TreeSHAP 可解释性与跨数据集结果；在多数案例研究中，梯度提升是最强的表格模型。

13. Deep Learning for Time Series

LSTM、N-BEATS、Transformer（PatchTST、iTransformer、TFT）、TSMixer、TCN 与 Mamba，置于 LTSF-Linear 争论背景下。实践者选型框架与跨数据集证据，说明深度学习何时有帮助、何时更简单的模型已足够。

14. Latent Factor Models

PCA 特征组合、带时变载荷的 IPCA、条件与监督自编码器、对抗式 SDF 估计与收益率曲线分解——附跨数据集结果，说明潜因子何时增加预测价值。

15. Causal Machine Learning

双重机器学习（Double Machine Learning）用于隔离因子处理效应，贝叶斯结构时间序列（Bayesian Structural Time Series）用于事件影响，以及因果发现（PCMCI、NOTEARS、VAR-LiNGAM），应用于九个案例研究。

第四部分 — 策略实施（第 16–20 章）

从预测到可部署策略 — 回测、组合构建、成本、风险与综合。

16. 策略模拟

将回测视为证伪：交易协议规范、向量化与事件驱动引擎、ETF 基准策略、核心指标报告、市场状态（regime）诊断，以及策略层面的过拟合控制（Deflated Sharpe Ratio、Rademacher Anti-Serum、White's Reality Check）。

17. 组合构建

从得分到组合：均值-方差优化及其陷阱、层次风险平价（Hierarchical Risk Parity）、Kelly 准则、保形（conformal）仓位 sizing、深度组合配置，以及跨案例研究的受控配置器对比。

18. 交易成本

成本分类、价差估计、市场冲击校准、执行算法（VWAP、TWAP、Almgren-Chriss 最优执行）、交易成本分析，以及实用防护栏 — 盈亏平衡成本因资产类别差异很大。

19. 风险管理

VaR/CVaR 尾部度量、回撤与路径风险控制、因子与行业分解、压力测试、自适应风险叠加层、深度对冲（deep hedging）与熔断机制。叠加层的有效性因策略而异。

20. 策略综合

九项实验揭示的关于将 ML 预测转化为策略的洞见：IC–Sharpe 去相关、基本定律（Fundamental Law）诊断、模型族级联、成本生存分析、留出集（holdout）失效模式，以及面向实践者的决策框架。

第五部分 — 高级 AI（第 21–24 章）

强化学习、大语言模型、知识图谱，以及面向金融的自主智能体。

21. 面向执行与对冲的强化学习

金融领域的 MDP 建模、DQN/PPO/SAC 算法、最优执行、带库存管理的市场做市、基于 PFHedge 的深度对冲、用于策略恢复的逆强化学习（inverse RL），以及仿真到现实（sim-to-real）鸿沟。

22. 面向金融研究的 RAG

基于 SEC 申报文件的检索增强生成（RAG）：摄取、领域专用嵌入、带重排序的混合检索、基于约束的提示、RAG 评估与失效诊断，以及向智能体式工作流的过渡。

23. 知识图谱

图谱何时值得其基础设施成本：从 SEC 申报文件构建知识图谱（KG）、用于多跳推理的 Graph RAG、面向 ML 的图特征（GNN 嵌入、中心性、社区检测）、金融网络，以及时间泄漏（temporal-leakage）防范。

24. 自主智能体

智能体架构（ReAct、Tree of Thoughts、Reflexion）、记忆系统、工具契约、工程栈（LangGraph、Claude SDK）、有状态股票研究智能体、带对抗性辩论的多智能体预测，以及生产可靠性。

第六部分 — 生产部署（第 25–26 章）

将策略上线 — 交易系统与保障其运行的运营基础设施。

25. 实盘交易系统

连接研究与生产的统一框架：Interactive Brokers 与 Alpaca 集成、托管平台（QuantConnect）、订单生命周期管理、流水线验证，以及运营就绪。

26. MLOps 与治理

ML 失效分类（流水线漂移 vs 性能衰减）、漂移检测、安全模型发布、熔断器、特征存储、实验跟踪，以及金融 ML 系统所需的 MLOps 基础设施。

结语

27. 系统化优势

系统化理念、量化职业路径、学习资源、研究前沿，以及如何构建你自己的优势。与第 1 章首尾呼应：流程即优势。

---

快速入门

以下命令需在你自己电脑的终端中输入，而非在 GitHub 中输入。不熟悉命令行？请从 开始之前 读起。

从仓库根目录运行一切。 克隆并使用 Docker 或本地 uv 环境完成设置：

git clone https://github.com/stefan-jansen/machine-learning-for-trading.git
cd machine-learning-for-trading
cp .env.example .env

docker compose pull ml4t # Option A — Docker (recommended)
pip install uv && uv sync # Option B — local with uv

平台相关设置（Linux、Windows WSL2、macOS）及 GPU 说明见 安装指南。Windows 读者：必须先让 WSL2 正常工作，再安装 Docker Desktop，且重启不可省略。

下载数据。 大多数 notebook 需要数据集；先从免费数据集开始（无需 API 密钥）：

uv run python data/download_all.py --free-only

数据指南 记录了每个数据集、API 密钥配置、加载器及存储层级（约 70 MB 免费层至约 7 GB 完整版）。

运行 notebook。 Notebook 与 Jupytext 文件成对（.py 源文件 + 生成的 .ipynb）。运行快速冒烟测试，或打开 Jupyter Lab：

uv run python 01_process_is_edge/factor_regimes.py
docker compose up -d ml4t # then open http://localhost:8888

Papermill 参数与实验工作流见 运行 notebook 指南。

Docker 镜像

大多数 notebook 在默认 ml4t 镜像上运行；少数需要专用镜像，各 notebook 会在前言中说明。完整说明见 Docker 环境指南。

Image	Covers	When you need it
ml4t	全部 27 章 + 9 个案例研究（CPU）	一切内容的默认选择
ml4t-gpu	同一 ml4t 镜像，使用 NVIDIA runtime（--profile gpu）运行	深度学习章节
ml4t-py312	Python 3.12，用于 signatory、esig、gensim、pfhedge、tfcausalimpact	约 10 个 notebook
benchmark	数据库客户端（TimescaleDB、ClickHouse、QuestDB、InfluxDB）	第 02 章存储基准测试
rapids	RAPIDS cuML + LightGBM CUDA（本地构建）	第 12 章一项 GPU 基准测试

---

版本发布

新章节与 notebook 将在未来数周内陆续添加。⭐ 关注或 star 本仓库以跟进进展，并订阅每两周一期的 Insights 通讯.

在找第二版？ 它已在 second-edition 分支上完整且稳定 — git checkout second-edition，一切内容与书中描述完全一致。

---

贡献与反馈

发现错误、失效链接或有建议？在本书正式发布前，早期反馈尤为宝贵。

• Issues：提交 GitHub issue
• 网站与联系：ml4trading.io

---

许可证

代码：MIT License · 书籍内容：© 2026 Stefan Jansen. All rights reserved.

获取本书 • ml4trading.io • GitHub