知识库

本案例研究使用梯度提升树拟合ETF收益标签，并与在强岭正则化下表现良好的线性基准进行比较。文中解释了树模型为何能发现交互作用，例如动量在不同市场压力状态下表现不同；而贪心划分可能在相关特征中任意选择，岭回归则能组合这些特征。网格改变树模型容量和损失函数，并在训练期间的多个检查点评估每种配置。…

本文直接使用案例研究的 Parquet 数据演示特征存储概念。特征视图指定实体键、事件时间戳、可用期限和特征列。模型训练时，将历史值连接到这些值已知时的决策时间；实盘使用时，则提取决策时点可用的最新值。让这些规则保持一致有助于避免训练与服务偏差。…

本文介绍金融数据集的数据清理方法，并说明如何让预处理与训练集和测试集的划分保持一致。核心要点是仅用训练数据估计缩放和缩尾等变换；使用完整数据集可能会将未来观测的信息泄漏到模型开发中。文中介绍了可复用的操作，包括处理重复项、应用领域筛选条件、标记缺口、检测反转尖峰、截断异常值、编码类别数据，以及对齐不同频率的数据集。…

本笔记展示了离线机器学习流程与 QuantConnect 的 LEAN 引擎之间的部署边界。它通过 ETF 案例研究注册表选择一组预测结果，核验训练和预测的来源信息，并将样本外留出集预测导出为平台可读取的 JSON 结构。平台算法根据这些评分应用投资组合规则，无需复现模型推理流程。冻结预测结果还可让研究人员在不重新训练的情况下测试阈值、持仓限制和再平衡规则。…

本笔记本介绍路径签名，即保留时间序列观测顺序和联合形态的定长特征。它说明一级签名记录总变化量，而二级项则捕捉坐标对之间的有符号面积。将时间加入路径坐标，可以区分总收益相同但价格路径不同的序列；加入成交量则能构造同时描述价格与成交量变化的特征。笔记本建议使用对数签名以减少冗余特征，并说明增加深度会扩大特征数量。 示例分析从 ETF 窗口构建标准化的价格、成交量和时间路径，再使用固定学习器，在多个资产上比较签名特征与手工构造的形态特征。结果是比较，不是预测价值的证明。笔记本提醒，样本仅覆盖少数相关…

本文介绍一种运行日志系统，用于记录各交易案例中的模型训练、预测、因果估计和回测。文中说明配置如何从案例设置流经训练选项和模型预设，再成为已解析规格，其中包括数据文件、特征列、折日期、预测行、预处理方式、估计器参数和软件版本。该规格经规范化后的表示决定运行标识。…

本笔记本使用高斯混合模型，对九组股票、债券、货币和大宗商品因子及市场序列的月度收益进行聚类。剔除数据不完整的月份后，它对各序列进行标准化，避免不同尺度主导聚类。它使用侧重不同特性的准则比较候选聚类数量，并按时间和已知事件检查所得分组。各状态中的因子表现说明，合并平均值可能掩盖条件收益和分散化行为。…

本章提出一套框架，将交易想法转化为有文档记录的特征规格。它要求研究人员使特征周期与目标决策相匹配，说明驱动因素假设，并区分预测信号和描述情境的状态变量。参照系、表示方法和聚合方式应服从经济逻辑；改变假设的变换，应与主要用于控制噪声的变换区别开来。本章概述价格和成交量特征、市场微观结构、跨品种关系、衍生品隐含指标、基本面、宏观经济数据及日历变量。…

本指南区分因果效应估计与因果结构发现，并将常见研究问题对应到合适的 Python 库。当调整结构已知或明确指定时，EconML 和 DoWhy 可用于估计效应；Tigramite 和 causal-learn 则从时间序列或截面数据中提出结构。指南还介绍了何时 CausalML 的离散处理研究侧重或贝叶斯结构时间序列方法可能更合适。工具选择取决于处理类型、数据形态以及目标估计量。 一个合成示例为所有方法提供了同一数据集，其中动量是连续处理变量，收益是结果变量，波动率和市场状态是观测到的混杂因素。示例说明了…

这份笔记本提出一套确定性框架，用于检查回测和实盘交易流程的行为是否一致。它比较将价格行情转化为决策的各个阶段：特征计算、预测、信号和订单规模。固定的合成价格序列让两套流程处理完全相同的输入，从而更容易将技术实现差异与市场变化区分开来。…

这份笔记本训练强化学习智能体，将固定卖单安排在加密货币永续期货市场的逐小时行情中执行。其状态包括滞后收益、波动率、前一小时成交量、永续合约相对于现货的溢价，以及距离资金费结算的时间。按日期拆分训练集和评估集，并在相同评估窗口上通过配对差值和标准误比较多个执行计划。…

这份笔记本汇总九项案例研究中的线性模型结果，包括 OLS、Ridge、Lasso 和 ElasticNet。它比较各研究在主要标签上的最佳完整配置，然后考察正则化、逐折信息系数、稳定性、替代期限、分类与回归指标以及系数表现。结果取自登记库，已排除已退役的预测；只有指标有效且标签覆盖范围达到最大值的完整结果才会纳入比较。 分析使用 HAC 区间评估不确定性，并通过区分重复生成、相同测量值和真正不同结果来处理并列情况。报告的结论经过审慎限定：只有部分选定结果的区间不包含零；Ridge 往往与 OLS…

这项案例研究使用与其他模型系列相同的时点 CME 期货特征行和滚动验证折，评估参数效率高的神经网络集成模型 TabM。研究将 TabM 作为一种在共享大部分参数的同时，对模型差异取平均的方法，并改变模型容量，以探究模型在小型且噪声较大的面板数据上如何平衡拟合与泛化能力。所述评估使用等权验证集回测和夏普比率，在已声明的训练轮数检查点中进行选择。 笔记本强调了确保比较可信的防护措施：按折进行特征缩放以避免验证集泄漏；将固定随机种子纳入模型标识；并记录设备标识，因为 CPU 和 GPU…

这份笔记本介绍一套工作流程，用于研究跳过最近一期的六个月动量是否影响 21 日远期收益，以及其影响是否随市场波动率变化。它使用双重机器学习，根据训练数据估计效应，并控制波动率和收益率曲线，同时将市场波动率作为效应修饰因素。市场波动状态依据留出期之前的数据定义，所得估计用于制定经过截尾和收缩的仓位缩放规则。随后使用留出期数据比较该规则与朴素基准和简单启发式规则，并计入交易成本。…

本笔记本在一个ETF面板上，将两个预训练时间序列基础模型 Chronos 和 TinyTimeMixer…

本章提出一套评估量化交易研究中因果主张的框架。首先明确定义处理、结果、估计目标、反事实和调整集，再根据研究问题选择方法：对连续暴露使用双重机器学习（DML），对离散事件使用贝叶斯结构时间序列，对观测数据中的候选关系使用因果发现方法。有向无环图和识别设计可指导调整选择，而时间交叉拟合和处理前时序有助于防止估计发生数据泄漏。示例涵盖 ETF 动量、加密货币资金费率溢价、FOMC 公告和多变量资产面板。本章介绍安慰剂与负向对照检验、遗漏混杂因素敏感性、样本和设定稳定性、HAC…

这份笔记本使用每分钟观测到的 NASDAQ-100 微观结构特征拟合线性模型，以预测多个远期期限的收益。其目的是在尝试表达能力更强的模型之前建立一个简单基准。由于不同衡量指标和回看窗口中的价差与失衡特征存在重叠，设计矩阵具有共线性。笔记本比较岭回归、Lasso 和弹性网络：岭回归会收缩相关系数，Lasso 可以将系数置零，弹性网络则结合这两种惩罚。Lasso 类惩罚相对于每折特定的阈值进行缩放，使其强度在不同折之间具有可比性。…

这项特征评估针对 CME 期货的远期收益，筛查金融和模型衍生的候选特征。对于每项特征，它检查数据覆盖率和陈旧程度，测量特征值与远期收益的每日横截面秩相关性，针对重叠收益窗口调整不确定性，并对受测集合应用 Benjamini-Hochberg 假发现率控制。它还比较各滚动验证年份的结果，检查其他已声明的收益期限，并根据证据记录继续、修改或停止的评估意见。…

这份笔记本比较了使用原生 PyTorch、sktime 和 Darts 实现单变量 SPY 价格预测的方式。其主要目的是评估实际投入，包括代码长度、接口要求、安装成功情况，以及拟合与预测的总耗时。简单的最近观测价格预测可作为参照，而各库示例则展示了统一的拟合/预测接口如何简化模型切换，以及封装器可能施加哪些限制。 这项比较有重要局限。原生 PyTorch…

本章指出，持久有效的交易研究依赖严谨的流程，以适应市场变化、嘈杂的证据和实施成本。本章区分结构性突变、市场状态、数据漂移和概念漂移，随后介绍从研究到生产的工作流程，涵盖时点数据、明确范围、迭代开发、切合实际的策略设计、部署和监控。本章还解释探索与确认有何不同，强调记录试验、封存留出集，以及在评估中考虑选择效应。 本章将因果推断和生成式 AI…

这份评估笔记本筛查金融特征和模型特征，考察它们与加密货币永续期货下一段八小时收益之间的关系。它从滚动验证窗口构建评估样本，将最终留出集排除在分析之外，并在每个结算时点按横截面秩相关性为各项特征评分。笔记本汇总平均信息系数及考虑依赖性的**不确定性估计**，检查各验证年份的表现，并针对多重比较调整显著性检验。特征台账记录证据和决策，但不会从模型输入中移除列。…

这项 NASDAQ-100 案例研究考察 15 分钟微观结构信号能否承受交易成本。工作流程评估订单流、报价陈旧程度和相对价差，然后比较全范围策略与仅使用交易成本较低股票的策略。研究还比较了选择单一验证集胜出模型与对一组模型取平均，以降低噪声选择的影响。报告的留出期夏普比率从朴素基准的 −0.89 变为成本筛选后的 −0.21，并在集成模型选择后变为 +0.53。…

本笔记本研究正则化如何影响由相关特征族构建的 CME 期货模型，包括持有收益、滚动夏普比率、动量和波动率指标。它比较 Ridge、Lasso 和 ElasticNet：Ridge 会缩小系数但保留特征，Lasso 可以将系数设为零，ElasticNet 则结合二者的效果。Lasso 和 ElasticNet 的惩罚项根据每折特有的阈值来表示，因此其强度会随各训练折变化。…

本笔记本介绍如何改造 Diffusion-TS，生成合成的 ETF 收益序列。去噪器将干净序列预测为多项式趋势、傅里叶季节性和残差分量之和；结合时域和傅里叶域的损失函数，以兼顾逐点和频谱保真度。DDIM 采样器减少了生成时所需的反向步骤。另一个在加噪序列上训练的分类器会提供引导，生成标记为低波动或高波动状态的样本。…