1. 课程导入
欢迎进入《金融时序机器学习择时信号实战》。在正式写第一行特征工程代码之前，我们需要先建立一张清晰的“认知地图”：这门课到底要解决什么问题，机器学习在其中的位置是什么，以及从原始行情数据到最终可执行交易信号，中间要经过哪些关键环节。很多初学者一上来就调模型、调参数，结果模型在训练集上表现优异，实盘却持续亏损，根本原因往往不是算法不够强，而是对“时序预测”与“交易信号”之间的鸿沟缺乏认识。
一、学习目标：三个层次的能力跃迁
本课程的目标不是让你背下某个模型的公式，而是完成三个层次的能力构建。第一层是数据能力：能够正确获取、清洗、对齐金融时序数据，理解复权、停牌、涨跌停、幸存者偏差等细节对结果的影响。第二层是建模能力：掌握适用于时序的机器学习方法，包括特征构造、标签设计、交叉验证、模型选择与过拟合控制。第三层是交易能力：把模型输出转化为仓位、买卖点、止损止盈规则，并用回测与绩效指标评估其真实价值。
二、核心概念：预测、信号与交易的三层结构
金融时序机器学习择时，本质上是把“未来价格会怎样”转化为“现在该持有什么仓位”。这里必须区分三个容易混淆的概念：预测目标（如未来5日收益率）、模型输出（如上涨概率0.63）、交易信号（如目标仓位60%）。预测准确率高，不代表信号赚钱；信号赚钱，也不代表策略稳健。三者之间隔着阈值设定、仓位映射、交易成本和风险控制。
另一个核心概念是时序依赖性。与图像、文本不同，金融数据存在自相关、非平稳、 regime switching（市场状态切换）等特性。随机打乱样本会严重高估模型能力，因此必须使用滚动窗口、扩展窗口或 purged K-fold 等时序交叉验证方法。
三、整体框架与实战路线图
本课程共30章，整体遵循“数据→特征→标签→模型→信号→回测→优化”的实战路线。前几章打基础，中间集中攻克特征工程与模型训练，后段聚焦信号生成、回测评估与实盘注意事项。每一章都会给出可运行的代码片段和参数配置，你可以直接在自己的数据集上复现。
| 阶段 | 核心任务 | 关键产出 | 常见风险 |
|---|---|---|---|
| 数据准备 | 行情获取、清洗、对齐、复权 | 干净的价格与成交量面板 | 幸存者偏差、前视偏差 |
| 特征与标签 | 构造动量、波动、量价特征；定义预测目标 | 特征矩阵与标签向量 | 标签泄露、特征未来函数 |
| 模型训练 | 时序交叉验证、模型选择、超参调优 | 样本外预测概率 | 过拟合、数据窥探 |
| 信号生成 | 概率→仓位映射、阈值设定、风控规则 | 每日目标仓位序列 | 信号抖动、换手过高 |
| 回测评估 | 计入成本、滑点、涨跌停限制 | 净值曲线与绩效指标 | 忽略交易成本、过度乐观 |
四、案例场景：一个最小可运行示例
为了让你对“信号”有直观感受，下面给出一个极简示例：用过去20日动量作为特征，预测未来5日涨跌方向，并把预测概率映射为仓位。注意这里只是演示流程，真实策略需要更严谨的验证。
import pandas as pd
import numpy as np
# 假设 df 已包含 close 列，索引为交易日
df['mom20'] = df['close'].pct_change(20)
df['fwd5'] = df['close'].shift(-5) / df['close'] - 1
df['label'] = (df['fwd5'] > 0).astype(int)
# 简单滚动训练：前500天训练，之后逐日预测
train = df.iloc[:500].dropna()
test = df.iloc[500:].dropna()
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(train[['mom20']], train['label'])
test = test.copy()
test['prob'] = model.predict_proba(test[['mom20']])[:, 1]
test['position'] = np.where(test['prob'] > 0.55, 1, 0) # 概率大于0.55才持仓
# 策略收益（未计成本）
test['ret'] = test['close'].pct_change().shift(-1)
test['strategy_ret'] = test['position'] * test['ret']
print(test[['prob', 'position', 'strategy_ret']].tail())
五、常见误区与复盘要点
- 误区一：用随机切分做时序验证。随机打乱会让未来信息泄露到训练集，导致样本外表现虚高。必须使用时间顺序切分。
- 误区二：只看准确率不看盈亏。在类别不平衡的金融数据中，准确率可能被多数类主导，必须结合夏普、最大回撤、换手率综合判断。
- 误区三：忽略交易成本。高频调仓的策略在扣除手续费和滑点后可能由盈转亏，信号频率必须与成本结构匹配。
- 误区四：把回测当实盘。回测中的成交假设、流动性限制、涨跌停无法成交等情况，都会让实盘结果偏离回测。