1. 课程导论：什么是灰度回测？为什么选择 LightGBM？课程目标与学习路径

1.1 从传统回测到灰度回测：量化策略的验证进化

传统回测（Backtesting）在历史数据上模拟策略表现，但常因过拟合、幸存者偏差和未来函数导致实盘失效。灰度回测（Grayscale Backtesting）引入概率化验证与多维度评估，在“完全信任”与“完全否定”之间建立灰度区间，提升策略鲁棒性。

1.2 为什么选择 LightGBM？—— 梯度提升的量化优势

LightGBM（Light Gradient Boosting Machine）是微软开源的梯度提升框架，在量化金融领域具备以下不可替代的优势：

• 训练速度极快：基于直方图算法（Histogram-based），相比 XGBoost 提速 5-10 倍，适合大规模因子扫描。
• 内存占用低：采用 Gradient-based One-Side Sampling（GOSS）和 Exclusive Feature Bundling（EFB），处理百万级样本时内存可控。
• 原生支持类别特征：无需 One-Hot 编码，直接处理行业、板块等离散因子。
• 内置正则化：L1/L2 正则 + 叶子节点限制，天然抑制过拟合，契合灰度回测对鲁棒性的要求。
• 可解释性：特征重要性、SHAP 值、决策树可视化，帮助理解因子逻辑。

1.3 灰度回测 + LightGBM 的协同架构

本课程将 LightGBM 嵌入灰度回测框架，形成“因子挖掘 → 模型训练 → 灰度验证 → 策略输出”的闭环流程。下图展示了核心架构：

1.4 课程目标与学习路径

本课程旨在帮助学员掌握从零搭建 LightGBM 灰度回测系统的全流程能力。完成课程后，你将能够：

• 独立完成因子数据清洗、特征工程与标签构造
• 使用 LightGBM 训练量化策略模型，并调优超参数
• 实现灰度回测引擎，包含多路径模拟、参数扰动与状态分拆
• 输出灰度评分卡，评估策略的稳定性与风险边界
• 将策略部署到模拟交易环境，进行持续监控

课程分为 6 大模块，共 30 章，建议按顺序学习：

1.5 学习建议与工具准备

为了获得最佳学习体验，请提前准备以下环境：

# 推荐使用 conda 创建独立环境
conda create -n lightgbm_gray python=3.9
conda activate lightgbm_gray

# 安装核心依赖
pip install lightgbm==4.1.0
pip install pandas==2.0.3 numpy==1.24.3
pip install matplotlib==3.7.2 seaborn==0.12.2
pip install scikit-learn==1.3.0
pip install jupyterlab==4.0.5

# 验证安装
python -c "import lightgbm; print(lightgbm.__version__)"

每章末尾会提供练习任务和思考题，建议动手完成后再进入下一章。课程代码仓库会随章节更新，保持与教程同步。