📚 课程目录第1章课程导入

1. 课程导入

在金融建模的日常工作中，我们经常面对一个尴尬的现实：数据清洗和特征工程占据了八成时间，而真正用于模型选择与调参的时间被严重压缩。更棘手的是，金融数据往往具有低信噪比、非平稳、样本不平衡等特性，人工试错成本极高。AutoML（Automated Machine Learning）正是为缓解这一矛盾而生——它把特征预处理、算法选择、超参数优化、模型集成与评估等环节自动化，让分析师能把精力集中在业务理解和风险控制上。

本节的核心问题不是“AutoML能不能用”，而是“在金融场景下，AutoML应该被用在哪些环节、以什么方式介入、又如何与人工判断协同”。理解这一点，是后续29章实战的前提。

一、核心原理：AutoML到底自动化了什么

AutoML并非单一算法，而是一套搜索与优化框架。它的基本假设是：给定数据集和任务类型，存在一个搜索空间，其中包含特征变换方式、模型族、超参数组合以及集成策略；通过搜索策略在有限预算内找到表现较优的配置。其核心组件可以概括为四层：

搜索空间定义：包括预处理算子（缺失值填充、编码、标准化）、模型族（线性模型、树模型、神经网络、梯度提升等）及其超参数范围。
搜索策略：网格搜索、随机搜索、贝叶斯优化、进化算法、多臂老虎机等，决定“下一步试什么”。
评估器：交叉验证、时间序列切分、分层抽样等，决定“怎么判断好坏”。金融场景中评估器的设计往往比搜索策略更关键。
资源控制：时间预算、迭代次数、并行度、早停策略，决定“什么时候停”。

需要强调的是，AutoML的“自动”是有边界的。它不会自动理解“这个特征是否涉及未来信息泄露”，也不会自动判断“这个模型的业务可解释性是否满足监管要求”。因此，金融场景下的AutoML更像是一个加速器，而不是替代品。

二、方法流程：从原始数据到可比较模型

本课程后续章节会反复使用一条统一的实战流程。为了让第1章就建立整体感，这里先给出流程骨架，后续每章会针对其中某个环节深入展开。

任务定义：明确是分类（违约、欺诈）、回归（收益率、损失）还是排序（推荐、排序）。
数据切分：金融时序数据必须使用时间切分，禁止随机打乱；必要时采用滚动窗口。
预处理管道：缺失值、异常值、编码、标准化，全部封装为可复用的Pipeline。
搜索空间配置：指定模型族与超参数范围，控制搜索预算。
搜索与评估：使用统一的评估指标（AUC、KS、F1、RMSE等）进行交叉验证。
模型比较：横向对比多个AutoML工具或配置的结果，关注稳定性而非单次最优。
复盘与上线：检查特征重要性、残差分布、回测曲线，决定是否上线。

下面是一个最小化的配置示例，展示如何用代码描述搜索空间与评估方式。后续章节会在此基础上扩展。

# 示例：AutoML搜索配置骨架（伪代码）
search_space = {
    "preprocess": ["median_imputer", "standard_scaler"],
    "model": ["lightgbm", "xgboost", "random_forest"],
    "n_estimators": [100, 300, 500],
    "max_depth": [3, 5, 8],
    "learning_rate": [0.01, 0.05, 0.1]
}

evaluator = {
    "split": "TimeSeriesSplit",
    "n_splits": 5,
    "metric": "roc_auc",
    "gap": 1  # 防止未来信息泄露
}

budget = {"max_trials": 60, "time_limit_min": 30}

三、案例场景：三个典型金融任务

为了让你对AutoML的适用范围有直观感受，这里列出三个本课程会覆盖的典型场景。它们分别代表不同的数据形态和评估难点。

场景	任务类型	核心难点	AutoML介入点
信用违约预测	二分类	样本不平衡、可解释性要求高	模型搜索、阈值调优、特征筛选
量化收益率预测	回归/时序	非平稳、信噪比低、过拟合风险大	滚动回测、正则化搜索、集成比较
交易欺诈识别	二分类/异常检测	极端不平衡、概念漂移、实时性	采样策略搜索、模型轻量化、在线评估

这三个场景的共同点是：评估器的设计比搜索策略更重要。如果切分方式错误，AutoML会“高效地”找到一个在回测中虚高、上线后失效的模型。

四、常见误区与复盘要点

在正式进入实战之前，有必要先澄清几个高频误区。这些误区在后续章节中会结合具体代码反复复盘。

误区一：把AutoML当成“一键最优解”。实际上，搜索空间的设计、评估器的选择、预算的分配，都高度依赖人工判断。AutoML只能在你给定的框架内寻找较优解。
误区二：用随机切分处理时序数据。这会引入未来信息泄露，导致回测指标虚高。金融时序必须使用时间切分或滚动窗口。
误区三：只看单次最优指标。金融场景更关注模型在不同时间段、不同样本上的稳定性。应比较多次搜索的方差，而非单次峰值。
误区四：忽略可解释性。在信贷、风控等受监管场景中，模型必须能给出合理的解释。AutoML搜索出的复杂集成模型可能无法通过合规审查。
误区五：把特征工程完全交给AutoML。金融特征往往带有强烈的业务含义，自动生成的组合特征可能缺乏业务逻辑，甚至引入泄露。

在后续实战中，每当你得到一个“看起来很好”的AutoML结果，请先问三个问题：切分方式是否正确？特征是否涉及未来信息？模型是否可解释？这三个问题比调参更能决定项目成败。

五、学习目标与整体课程框架

本课程共30章，围绕“自动搜索与比较”这一主线展开。学完本课程，你应该能够：

理解AutoML的核心组件与金融场景下的适用边界；
独立设计符合时序要求的评估器与搜索空间；
使用主流AutoML工具完成信用、量化、欺诈等任务的模型搜索；
对多个AutoML结果进行横向比较，并给出上线建议；
识别并规避数据泄露、过拟合、可解释性不足等常见问题。

课程整体分为四个阶段：基础与框架（第1-6章）建立概念与流程；工具与实操（第7-16章）覆盖主流AutoML工具的使用与配置；金融场景实战（第17-26章）针对信用、量化、欺诈等任务进行完整实战；比较与复盘（第27-30章）聚焦多工具对比、稳定性评估与上线决策。每一章都会围绕一个可运行的最小案例展开，确保你不仅能看懂，还能动手复现。

最后需要提醒的是：AutoML的价值不在于“替代人”，而在于“把人从重复劳动中解放出来，去做更需要判断力的事”。在金融领域，这种判断力恰恰是最稀缺的。希望这门课程能帮你把AutoML变成手中的一把利器，而不是一个黑箱。