🧠 机器学习选股 · 实战指南

📈 课程导论
📌 课程导论：机器学习选股概述
将机器学习与量化投资深度融合，从数据清洗、因子工程到模型预测，搭建属于你的智能选股系统。 本课程面向有一定Python基础的金融/编程爱好者，带你从零构建 ML选股全流程， 并深入监督学习、时间序列与深度学习在股票筛选中的应用。

🎯 课程目标

  • 掌握 量化选股核心概念与机器学习流程
  • 熟练 使用 Pandas 进行金融数据清洗与特征工程
  • 构建 基于 Scikit-learn 的股票分类/回归模型
  • 运用 TensorFlow 搭建深度神经网络选股器
  • 回测 策略并评估模型泛化能力
  • 独立 完成一套机器学习选股实战项目
🏁 最终产出： 可复现的ML选股策略 + 模型评估报告

🧭 学习路径

📚 阶段1 Python & 金融数据处理
⚙️ 阶段2 特征工程 & 因子挖掘
🤖 阶段3 经典ML模型 (逻辑回归、随机森林、XGBoost)
🧠 阶段4 深度学习选股 (TensorFlow)
📊 阶段5 策略回测 & 实盘模拟
✅ 每周一次实战代码 + 作业点评

🛠️ 所需工具与库

库 / 工具版本建议核心用途
Python≥ 3.9主力编程语言，胶水与核心
Pandas≥ 1.5数据处理、时间序列、因子拼接
Scikit-learn≥ 1.2分类/回归/聚类、特征选择、评估
TensorFlow≥ 2.10深度学习、LSTM、注意力选股
NumPy / Matplotlib最新数值计算 & 可视化
Jupyter / VS Code—交互式开发与实验

🧩 机器学习选股软件架构

📡 数据源 行情/财务/另类 🧹 数据处理 Pandas 清洗/对齐 ⚙️ 特征工程 因子/技术指标 🤖 ML模型 Scikit-learn TensorFlow 📊 回测 & 评估 🔄 迭代优化

数据流与模型迭代架构

📦 环境初始化

# 机器学习选股 · 必备库导入
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# Scikit-learn 模块
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

# TensorFlow / Keras
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout

print(f"Pandas: {pd.__version__}, Scikit-learn: {sklearn.__version__}, TF: {tf.__version__}")
📘 课程资料