ML × 量化交易
8 篇 约 59 分钟
- Alpha 衰减与特征半衰期 每个 alpha 因子都会衰减。alpha 预测能力的半衰期告诉你多久重训一次、能接受多大的换手、以及什么时候该放弃。
- 时间序列的交叉验证 随机 k-fold 在时间序列上给出的数字和实盘表现毫无关系。walk-forward、purge、embargo、CPCV 的完整做法，以及一个把两侧宽度算清楚的数值例子。
- 资产的嵌入方法 嵌入就是把资产表示成一个数字向量,捕捉它与其他资产的关系。这就是把'苹果'或'高盛'送进机器学习模型的方法。
- 量化中的特征工程 算法可以互换，特征才是策略。三类原始素材、判断一个特征好坏的四条标准、五个人人都会犯一遍的错，以及从裸动量到横截面 z 分数的完整改造路径。
- 机器学习与收益预测 从回测 Sharpe 到可部署 Sharpe，中间有三层在漏。目标该怎么定、容量怎么把 alpha 吃掉、组合构建能补回多少，以及一个诚实的数字区间。
- 机器学习交易策略的生命周期 从研究到退役的六个阶段，每一阶段的诚实比例、评估周期和退出条件，以及为什么大多数策略死在流程上而不是模型上。
- 时序数据的神经网络 神经网络在时序数据上号称能从原始收益中学到时序模式。真正管用的是哪些,不行的又有哪些,以及为什么 Transformer 不是什么灵丹妙药。
- 组合管理的强化学习 强化学习用奖励和惩罚训练智能体做序列决策。套到组合管理上听起来挺完美。现实要复杂得多。