1. 课程导入
欢迎进入《TCN金融长序列预测与特征提取实战》。在正式动手写模型之前，这一节我们先解决三个问题：为什么金融长序列预测值得用TCN？学完这门课你能做到什么？以及我们将用怎样的项目把知识串起来。理解这三件事，后面的每一行代码才会有明确的目的。
一、为什么金融长序列预测需要TCN
金融时间序列有三个鲜明特征：长记忆性、多尺度波动、强噪声。股价、汇率、成交量、宏观指标往往在数百甚至上千个时间步上存在依赖关系，短期跳变与长期趋势交织。传统RNN/LSTM按时间步串行计算，长序列上容易出现梯度消失、训练慢、并行度低的问题；而普通CNN感受野有限，想覆盖长历史就得堆很多层，效率同样不高。
TCN（Temporal Convolutional Network，时间卷积网络）用因果膨胀卷积解决这一矛盾：因果卷积保证只看过去、不看未来，避免信息泄漏；膨胀卷积让感受野随层数指数级增长，用较少层数覆盖很长的历史窗口。同时卷积可并行计算，训练速度通常明显优于同感受野的循环网络。对金融场景而言，这意味着模型既能“记得久”，又能“算得快”，还便于做严格的时间对齐。
二、学习目标：学完你能做什么
本课程不是泛泛介绍TCN概念，而是围绕“金融长序列预测 + 特征提取”两条主线，设定可检验的目标：
- 原理层：能说清因果卷积、膨胀卷积、残差连接、LayerNorm与Dropout在TCN中的分工，并能手算感受野。
- 数据层：能对金融时序做正确的窗口切分、缺失处理、平稳化与防泄漏标准化。
- 模型层：能用PyTorch从零搭建可配置的TCN，并接入多变量输入与多步输出。
- 特征层：能提取TCN中间层表示，结合注意力或池化做特征重要性分析。
- 评估层：能用滚动回测、方向准确率、IC等金融指标评估模型，而不是只看MSE。
三、整体课程框架与实战项目概览
30章内容按“认知—数据—建模—特征—评估—工程化”递进。前几章建立直觉与数据管线，中段深入TCN结构与调参，后段聚焦特征提取、可解释性与实盘化落地。贯穿全程的是一个统一实战项目：基于多变量金融时序的TCN长序列预测与特征提取系统。
| 阶段 | 章节范围 | 核心任务 | 产出物 |
|---|---|---|---|
| 认知与导入 | 第1–3章 | 理解TCN价值、环境搭建、数据获取 | 可运行环境与数据脚本 |
| 数据与特征 | 第4–9章 | 窗口切分、平稳化、防泄漏标准化 | 训练/验证/测试数据集 |
| TCN建模 | 第10–18章 | 因果膨胀卷积、残差块、多步输出 | 可配置TCN模型 |
| 特征提取 | 第19–24章 | 中间层表示、注意力、重要性分析 | 特征报告与可视化 |
| 评估与工程化 | 第25–30章 | 滚动回测、调参、部署与监控 | 回测报告与推理服务 |
实战项目的数据对象包括价格、成交量、波动率与若干宏观因子，预测目标为未来多个时间步的收益率或价格区间。项目会刻意保留真实金融数据的“脏”特征：缺失、跳空、异常值与非平稳性，让你在解决真实问题中掌握TCN。
四、常见误区与学习建议
误区二：只关注MSE，忽略方向准确率与交易成本。金融预测中，预测对方向往往比预测准数值更有价值。
误区三：在标准化时用全量数据统计量，造成未来信息泄漏。必须只用训练窗口的均值方差。
建议的学习节奏是：每章先跑通示例代码，再修改一个参数观察输出变化，最后回到自己的数据上复现。遇到感受野、膨胀系数、残差维度不匹配等问题时，先手算再调参，不要盲目堆层。
# 感受野快速估算（示例）
# receptive_field = 1 + 2 * (kernel_size - 1) * sum(dilation_i)
kernel_size = 3
dilations = [1, 2, 4, 8]
rf = 1 + 2 * (kernel_size - 1) * sum(dilations)
print("感受野:", rf) # 输出: 感受野: 91