stefan-jansen--machine-learning-for-trading
wehub-resource-sync
331 行
23 KiB
Markdown
331 行
23 KiB
Markdown
<!-- WEHUB_ZH_README -->
|
||
> [!NOTE]
|
||
> 本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
|
||
> [English](./README.en.md) · [原始项目](https://github.com/stefan-jansen/machine-learning-for-trading) · [上游 README](https://github.com/stefan-jansen/machine-learning-for-trading/blob/HEAD/README.md)
|
||
> 原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。
|
||
|
||
# Machine Learning for Trading — 第三版
|
||
|
||
**构建、测试并部署机器学习驱动的交易策略——从数据获取到实盘执行。**
|
||
|
||
本仓库托管 [*Machine Learning for Trading, 3rd Edition*](https://amzn.to/4eigy2F) 一书的代码，作者为 [Stefan Jansen](https://www.linkedin.com/in/applied-ai/) ——这是一次从零开始的重构，围绕一条端到端工作流组织：如何将研究构想定义出来，并通过迭代开发成一套能在真实市场中实际运行、并持续运行的策略。
|
||
|
||
- [九个案例研究](https://www.ml4trading.io/case-studies/) 贯穿全书 27 章展示该工作流，涵盖从原始数据、特征、模型、回测、成本与风险到部署的完整路径。
|
||
- 本版新增的 **生成式 AI（Generative AI）** 与 **自主智能体（autonomous agents）** 贯穿该工作流，将检索增强生成（retrieval-augmented generation）、知识图谱与多智能体系统引入金融研究。
|
||
- [配套网站](https://ml4trading.io) 提供 [112 篇入门讲解](https://ml4trading.io/primer/), [56 项 agent 技能](https://ml4trading.io/skills/), 以及 [六个可用于生产的 Python 库](https://ml4trading.io/libraries/)，可支撑工作流中的多个重要环节。
|
||
|
||
<p align="center">
|
||
<a href="https://amzn.to/4eigy2F"><img src="assets/cover.png" width="45%" alt="Machine Learning for Trading, 第三版"></a>
|
||
</p>
|
||
|
||
## 🎓 新增：直播课程与闪电课
|
||
|
||
第三版首次配套 **直播同期班课程**、动手 **工作坊** 以及由 Stefan 在 [Maven](https://maven.com/stefan-jansen) 平台开设的免费 **闪电课** ——完整课表见 [课程页面](https://ml4trading.io/courses/).
|
||
|
||
- **▶ [Machine Learning for Trading: From Research to Production](https://maven.com/stefan-jansen/research-to-production)** ——旗舰直播同期班课程：将研究构想一路推进到已部署、可监控的策略，在直接反馈下走完书中的端到端工作流。**首期班于 2026 年 7 月 6 日（周一）开课——报名于 7 月 3 日（周五）截止。**
|
||
- **[Getting Stuff Done with Coding Agents](https://maven.com/p/8394ac/getting-stuff-done-with-coding-agents?utm_medium=ll_share_link&utm_source=instructor)** ——一节关于如何让 coding agents 投入实战的免费闪电课。
|
||
- **[Building Multi-Agent Forecasting Systems](https://maven.com/stefan-jansen/forecasting-agents)** ——动手工作坊，讲授如何工程化预测智能体循环：为金融研究构建可审计、辩论驱动的多智能体系统。
|
||
|
||
<p align="center">
|
||
<a href="https://youtu.be/Ksxv9QVZSOo"><img src="assets/course-trailer.jpg" width="60%" alt="观看课程概览：Machine Learning for Trading — From Research to Production"></a>
|
||
</p>
|
||
|
||
---
|
||
|
||
## 第三版有哪些新内容
|
||
|
||
全书遵循一条统一路径：从数据基础设施与策略研究出发，跨越将调优与评估分开的 *证据边界（evidence boundary）*，直至部署与监控——并辅以反馈循环，在策略优势衰减时进行再训练、暂停或退役。
|
||
|
||
<p align="center">
|
||
<img src="assets/workflow.png" width="90%" alt="ML4T 工作流：数据基础设施与策略研究、将调优与评估分开的证据边界，以及带有再训练/暂停/退役反馈循环的部署">
|
||
</p>
|
||
|
||
早期版本按技术逐点推进，第三版则将这一流程端到端贯通，并新增大量内容：
|
||
|
||
- **更丰富的模型工具箱**：从梯度提升（XGBoost、LightGBM、CatBoost）到深度时间序列架构（PatchTST、iTransformer、TSMixer、TCN、Mamba），再到较新的表格与潜因子模型（TabPFN、TabM、条件自编码器与监督自编码器）。
|
||
- **专门的策略设计章节**：交易成本与风险管理现为完整章节（此前均未单独成章），并与组合构建、策略综合衔接，使原始信号一路贯通至经规模调整、成本与风险感知的组合。
|
||
- **完整的生产化路径**：实盘交易系统（Interactive Brokers、Alpaca、QuantConnect）、MLOps 与治理（漂移检测、安全发布、熔断机制、特征存储、实验跟踪），以及*运行*策略（而非仅构建策略）的运维现实。
|
||
- **生成式 AI**：基于 SEC 申报文件的检索增强生成、知识图谱与 Graph RAG，以及自主多智能体研究系统。
|
||
- **因果机器学习（Causal machine learning）**：Double ML、贝叶斯结构时间序列（Bayesian structural time series）与因果发现，用于区分真实效应与虚假相关。
|
||
- **强化学习（Reinforcement learning）**：最优执行、带库存的做市，以及深度对冲。
|
||
- **合成金融数据**：TimeGAN、Tail-GAN、Sig-CWGAN 以及基于扩散的生成器，用于在历史数据较短时进行验证。
|
||
|
||
方法论严谨性被作为一等公民主题，而非事后补充。本书明确区分探索与确认——即 *证据边界*——全书采用滚动前向交叉验证（walk-forward cross-validation），并直面悄然使大多数回测失效的多重检验与过拟合问题，借助 Deflated Sharpe Ratio、Rademacher Anti-Serum、White's Reality Check 等工具，以及保形预测（conformal prediction）以获得诚实的 uncertainty 估计。
|
||
|
||
数据层迁移至 **Polars**，以实现快速的基于表达式的数据处理；每章均提供 **可复现的 Docker 环境**，确保结果在不同机器上可重复；PyTorch、LightGBM、Optuna 与 Plotly 共同构成建模与可视化技术栈。
|
||
|
||
### 九个案例研究
|
||
|
||
第三版的结构核心是 **九个案例研究**，贯穿全书。ETF、加密货币永续合约、日内股票、期权、外汇、期货与股票因子面板均经由*同一*流水线——从原始数据与标签到特征、模型、回测、成本、风险叠加，直至最终部署评估。将一套严谨流程应用于九个截然不同的市场，可展示其适用之处、失效之处及原因。
|
||
|
||
| 案例研究 | 资产类别 | 频率 | 探索内容 |
|
||
|--------------------------|--------------------|-----------|------------------------------------------------------------------------------|
|
||
| ETFs | 多资产 ETF | 日频 | 100 只 ETF 的跨资产动量与均值回归 |
|
||
| Crypto Perps | 加密货币 | 8 小时 | 永续期货的资金费率套利 |
|
||
| NASDAQ-100 | 股票 | 15 分钟 | 来自订单流与 LOB 的日内微观结构信号 |
|
||
| S&P 500 Equity + Options | 股票 + 期权 | 日频 | 以隐含波动率特征增强的股票筛选 |
|
||
| US Firm Characteristics | 股票 | 月频 | 公司层面特征面板（规模、价值、动量、质量） |
|
||
| FX Pairs | 外汇 | 日频 | 主要货币对的 carry 与动量 |
|
||
| CME Futures | 期货 | 日频 | 商品与金融期货的期限结构与 roll-yield 信号 |
|
||
| S&P 500 Options | 期权 | 日频 | 纯期权策略（跨式、delta 对冲头寸） |
|
||
| US Equities | 股票 | 日频 | 美国股票广截面及经典因子暴露 |
|
||
|
||
### 112 个入门主题
|
||
|
||
为书中所依赖的每个概念提供免费讲解。各部分均链接至完整列表；以下若干主题展示其覆盖范围：
|
||
|
||
- [基础](https://ml4trading.io/primer/): 8 个主题，涵盖限价订单簿机制、双时态数据模型，以及模拟器必须复现的 stylized facts。
|
||
- [研究设计与特征工程](https://ml4trading.io/primer/): 21 个主题，包括因子研究中的多重检验、分数差分，以及金融序列的路径签名（path signatures）。
|
||
- [模型开发](https://ml4trading.io/primer/): 22 个主题，其中有正则化几何、金融中的保形预测，以及双重机器学习（double machine learning）的机制。
|
||
- [策略实现](https://ml4trading.io/primer/): 27 个主题，从 deflated Sharpe ratio 与层次风险平价（hierarchical risk parity），到 Almgren-Chriss 最优执行。
|
||
- [高级 AI](https://ml4trading.io/primer/): 8 个主题，如马尔可夫决策过程（Markov decision processes）、策略梯度定理（policy-gradient theorem），以及事件预测的正确评分规则（proper scoring rules）。
|
||
- [生产化](https://ml4trading.io/primer/): 2 个主题：冠军-挑战者评估（champion-challenger evaluation），以及特征存储带来的训练-服务偏移（training-serving skew）。
|
||
- [跨章节概念](https://ml4trading.io/primer/): 20 个在各章中引用的构建模块，例如动量与均值回归、偏差-方差权衡（bias-variance tradeoff），以及滚动前向验证（walk-forward validation）。
|
||
|
||
### 56 Agent Skills
|
||
|
||
面向编码智能体的可复用、带护栏的任务，每项均内置针对前瞻偏差（lookahead bias）、数据泄露（data leakage）和多重检验错误的防护。每个类别链接到其完整技能集；以下列举部分技能以展示范围：
|
||
|
||
- [Concepts](https://ml4trading.io/skills/): 10 项技能，涵盖前瞻偏差、数据泄露和信息系数（information coefficient）。
|
||
- [Data Acquisition](https://ml4trading.io/skills/): 7 项技能，涵盖数据获取、构建 bars 与数据验证。
|
||
- [Feature Engineering](https://ml4trading.io/skills/): 10 项技能，包括特征计算、三重障碍标签（triple-barrier labels）和特征选择。
|
||
- [Evaluation & Validation](https://ml4trading.io/skills/): 8 项技能，从步进式交叉验证（walk-forward CV）与清除-禁运（purging-and-embargo）到收缩夏普比率（Deflated Sharpe ratio）。
|
||
- [Backtesting](https://ml4trading.io/skills/): 5 项技能，例如运行回测、成本模型和 tear sheets。
|
||
- [Portfolio Management](https://ml4trading.io/skills/): 5 项技能，包括仓位管理、风险指标和熔断开关（kill switches）。
|
||
- [Infrastructure](https://ml4trading.io/skills/): 4 项技能，例如规范 schema、注册表系统和 Polars 模式。
|
||
- [Workflows](https://ml4trading.io/skills/): 5 项技能，涵盖因子研究、模型验证和生产就绪。
|
||
- [Production](https://ml4trading.io/skills/): 2 项技能：实盘交易与监控与告警。
|
||
|
||
---
|
||
|
||
## The ML4T Libraries
|
||
|
||
这些 notebook 基于六个生产级 Python 包构建，每个包均有独立文档且可单独使用——对应工作流的每个阶段：
|
||
|
||
| Library | Stage | What it does |
|
||
|-------------------------------------------------------------|------------|--------------------------------------------------------------------------------|
|
||
| [`ml4t-data`](https://ml4trading.io/docs/data/) | Data | 通过统一接口从 19+ 家数据提供商获取市场数据 |
|
||
| [`ml4t-engineer`](https://ml4trading.io/docs/engineer/) | Signal | 特征、标签、替代 bars，以及防泄露的数据集准备 |
|
||
| [`ml4t-models`](https://ml4trading.io/docs/models/) | Models | 面向金融的潜因子、SDF、直接预测与组合学习 |
|
||
| [`ml4t-diagnostic`](https://ml4trading.io/docs/diagnostic/) | Evaluation | 特征验证、策略诊断与收缩夏普比率（Deflated Sharpe Ratio） |
|
||
| [`ml4t-backtest`](https://ml4trading.io/docs/backtest/) | Strategy | 具备真实istic 执行的事件驱动回测 |
|
||
| [`ml4t-live`](https://ml4trading.io/docs/live/) | Deployment | 对接券商的生产级交易 |
|
||
|
||
---
|
||
|
||
导言与收尾章节为六个与工作流对齐的部分作书脊。各章标题链接到对应指南，随各部分陆续发布；其余章节将在未来数周内逐部分添加。
|
||
|
||
## Introduction
|
||
|
||
### [1. The Process Is Your Edge](01_process_is_edge/)
|
||
|
||
为何流程纪律胜过模型复杂度。将 ML4T 工作流介绍为从研究到生产的系统，涵盖因子收益与宏观指标上的制度识别（regime detection），以及区分探索与确认的 evidence boundary。
|
||
|
||
## Part I — Financial Data (Chapters 2–5)
|
||
|
||
全书其余部分所依托的市场、工具与基础设施：数据源分类体系、将原始交易所消息转化为可用于特征的 bars、时点（point-in-time）基本面，以及用于稳健验证的合成历史数据。
|
||
|
||
### [2. The Financial Data Universe](02_financial_data_universe/)
|
||
|
||
市场、基本面与另类数据的分类体系。调研八类资产，量化幸存者偏差（survivorship bias），对比存储格式（Parquet、DuckDB、kdb+、TimescaleDB），并建立全书沿用的数据质量框架。
|
||
|
||
### [3. Market Microstructure](03_market_microstructure/)
|
||
|
||
从原始交易所消息到可用于特征的 bars。解析 NASDAQ ITCH，从多数据源重建限价订单簿，验证 Lee-Ready 成交分类，并比较 bar 采样方法——dollar bars 带来最佳的收益正态性。
|
||
|
||
### [4. Fundamental and Alternative Data](04_fundamental_alternative_data/)
|
||
|
||
面向 SEC EDGAR 申报文件的时点（point-in-time）流水线、跨标识符体系的实体解析、宏观与大宗商品基本面，以及另类数据评估——包括链上加密基本面与预测市场（Kalshi、Polymarket）。
|
||
|
||
### [5. Synthetic Financial Data](05_synthetic_data/)
|
||
|
||
生成替代市场历史以进行稳健验证。实现 TimeGAN、Tail-GAN、Sig-CWGAN、Diffusion-TS 与基于 LLM 的表格生成，并通过保真度–效用–隐私框架进行评估。
|
||
|
||
## Part II — Research Design and Feature Engineering (Chapters 6–10)
|
||
|
||
先定义交易问题，再将数据转化为可供模型使用的信号：研究设计、标签、特征，以及决定任何模型能学到什么的评估。
|
||
|
||
### [6. Strategy Research Framework](06_strategy_definition/)
|
||
|
||
在建模之前定义交易博弈：标的池规则、决策日程、成本模型、评估协议与运行日志。介绍九个案例研究，以及贯穿第 7–20 章的步进式交叉验证（walk-forward cross-validation）纪律。
|
||
|
||
### [7. Defining the Learning Task](07_defining_the_learning_task/)
|
||
|
||
标签工程（前瞻收益、三重障碍、trend scanning）、单变量特征评估（信息系数、分位数分析、可行性筛选）、多重检验控制（BH-FDR、Deflated Sharpe Ratio）与因果合理性检验。
|
||
|
||
### [8. Financial Feature Engineering](08_financial_features/)
|
||
|
||
来自价格数据的五类特征族（动量、反转、波动率、流动性、微观结构），结构与跨工具特征（收益率曲线、期限结构、相对价值），情境特征（宏观制度、日历、情绪），以及带稳健性检验的特征选择。
|
||
|
||
### [9. Model-Based Feature Extraction](09_model_based_features/)
|
||
|
||
来自拟合模型的特征：平稳性诊断、Kalman 滤波器、傅里叶与小波谱特征、GARCH 波动率与 HMM 制度概率——全程强制时点（point-in-time）正确性。
|
||
|
||
### [10. Text Feature Engineering](10_text_feature_engineering/)
|
||
|
||
从词袋到 Transformer：TF-IDF、Word2Vec 与 GloVe 嵌入、LSTM 序列模型、FinBERT 情绪、金融 NER 微调，以及新闻–收益信号构建。
|
||
|
||
## Part III — Model Development (Chapters 11–15)
|
||
|
||
五类模型族应用于相同的九个案例研究，均以线性基线为起点。
|
||
|
||
### 11. The ML Pipeline
|
||
|
||
正则化线性模型（Ridge、LASSO、Elastic Net）作为后续所有模型必须超越的基线。用于方向的逻辑回归、SHAP 可解释性、用于不确定性的共形预测（conformal prediction），以及跨九个案例研究的数据集对比。
|
||
|
||
### 12. Gradient Boosting and Advanced Tabular Models
|
||
|
||
XGBoost、LightGBM 与 CatBoost，配合 Optuna 多目标调参，以及深度学习表格替代方案（TabPFN、TabM）。TreeSHAP 可解释性与跨数据集结果；在多数案例研究中，梯度提升是最强的表格模型。
|
||
|
||
### 13. Deep Learning for Time Series
|
||
|
||
LSTM、N-BEATS、Transformer（PatchTST、iTransformer、TFT）、TSMixer、TCN 与 Mamba，置于 LTSF-Linear 争论背景下。实践者选型框架与跨数据集证据，说明深度学习何时有帮助、何时更简单的模型已足够。
|
||
|
||
### 14. Latent Factor Models
|
||
|
||
PCA 特征组合、带时变载荷的 IPCA、条件与监督自编码器、对抗式 SDF 估计与收益率曲线分解——附跨数据集结果，说明潜因子何时增加预测价值。
|
||
|
||
### 15. Causal Machine Learning
|
||
|
||
双重机器学习（Double Machine Learning）用于隔离因子处理效应，贝叶斯结构时间序列（Bayesian Structural Time Series）用于事件影响，以及因果发现（PCMCI、NOTEARS、VAR-LiNGAM），应用于九个案例研究。
|
||
|
||
## 第四部分 — 策略实施（第 16–20 章）
|
||
|
||
从预测到可部署策略 — 回测、组合构建、成本、风险与综合。
|
||
|
||
### 16. 策略模拟
|
||
|
||
将回测视为证伪：交易协议规范、向量化与事件驱动引擎、ETF 基准策略、核心指标报告、市场状态（regime）诊断，以及策略层面的过拟合控制（Deflated Sharpe Ratio、Rademacher Anti-Serum、White's Reality Check）。
|
||
|
||
### 17. 组合构建
|
||
|
||
从得分到组合：均值-方差优化及其陷阱、层次风险平价（Hierarchical Risk Parity）、Kelly 准则、保形（conformal）仓位 sizing、深度组合配置，以及跨案例研究的受控配置器对比。
|
||
|
||
### 18. 交易成本
|
||
|
||
成本分类、价差估计、市场冲击校准、执行算法（VWAP、TWAP、Almgren-Chriss 最优执行）、交易成本分析，以及实用防护栏 — 盈亏平衡成本因资产类别差异很大。
|
||
|
||
### 19. 风险管理
|
||
|
||
VaR/CVaR 尾部度量、回撤与路径风险控制、因子与行业分解、压力测试、自适应风险叠加层、深度对冲（deep hedging）与熔断机制。叠加层的有效性因策略而异。
|
||
|
||
### 20. 策略综合
|
||
|
||
九项实验揭示的关于将 ML 预测转化为策略的洞见：IC–Sharpe 去相关、基本定律（Fundamental Law）诊断、模型族级联、成本生存分析、留出集（holdout）失效模式，以及面向实践者的决策框架。
|
||
|
||
## 第五部分 — 高级 AI（第 21–24 章）
|
||
|
||
强化学习、大语言模型、知识图谱，以及面向金融的自主智能体。
|
||
|
||
### 21. 面向执行与对冲的强化学习
|
||
|
||
金融领域的 MDP 建模、DQN/PPO/SAC 算法、最优执行、带库存管理的市场做市、基于 PFHedge 的深度对冲、用于策略恢复的逆强化学习（inverse RL），以及仿真到现实（sim-to-real）鸿沟。
|
||
|
||
### 22. 面向金融研究的 RAG
|
||
|
||
基于 SEC 申报文件的检索增强生成（RAG）：摄取、领域专用嵌入、带重排序的混合检索、基于约束的提示、RAG 评估与失效诊断，以及向智能体式工作流的过渡。
|
||
|
||
### 23. 知识图谱
|
||
|
||
图谱何时值得其基础设施成本：从 SEC 申报文件构建知识图谱（KG）、用于多跳推理的 Graph RAG、面向 ML 的图特征（GNN 嵌入、中心性、社区检测）、金融网络，以及时间泄漏（temporal-leakage）防范。
|
||
|
||
### 24. 自主智能体
|
||
|
||
智能体架构（ReAct、Tree of Thoughts、Reflexion）、记忆系统、工具契约、工程栈（LangGraph、Claude SDK）、有状态股票研究智能体、带对抗性辩论的多智能体预测，以及生产可靠性。
|
||
|
||
## 第六部分 — 生产部署（第 25–26 章）
|
||
|
||
将策略上线 — 交易系统与保障其运行的运营基础设施。
|
||
|
||
### 25. 实盘交易系统
|
||
|
||
连接研究与生产的统一框架：Interactive Brokers 与 Alpaca 集成、托管平台（QuantConnect）、订单生命周期管理、流水线验证，以及运营就绪。
|
||
|
||
### 26. MLOps 与治理
|
||
|
||
ML 失效分类（流水线漂移 vs 性能衰减）、漂移检测、安全模型发布、熔断器、特征存储、实验跟踪，以及金融 ML 系统所需的 MLOps 基础设施。
|
||
|
||
## 结语
|
||
|
||
### 27. 系统化优势
|
||
|
||
系统化理念、量化职业路径、学习资源、研究前沿，以及如何构建你自己的优势。与第 1 章首尾呼应：流程即优势。
|
||
|
||
---
|
||
|
||
## 快速入门
|
||
|
||
以下命令需在你自己电脑的终端中输入，而非在 GitHub 中输入。不熟悉命令行？请从 **[开始之前](docs/installation.md#before-you-begin)** 读起。
|
||
|
||
**从仓库根目录运行一切。** 克隆并使用 Docker 或本地 `uv` 环境完成设置：
|
||
|
||
```bash
|
||
git clone https://github.com/stefan-jansen/machine-learning-for-trading.git
|
||
cd machine-learning-for-trading
|
||
cp .env.example .env
|
||
|
||
docker compose pull ml4t # Option A — Docker (recommended)
|
||
pip install uv && uv sync # Option B — local with uv
|
||
```
|
||
|
||
平台相关设置（Linux、Windows WSL2、macOS）及 GPU 说明见 **[安装指南](docs/installation.md)**。Windows 读者：必须先让 WSL2 正常工作，*再*安装 Docker Desktop，且重启不可省略。
|
||
|
||
**下载数据。** 大多数 notebook 需要数据集；先从免费数据集开始（无需 API 密钥）：
|
||
|
||
```bash
|
||
uv run python data/download_all.py --free-only
|
||
```
|
||
|
||
**[数据指南](data/README.md)** 记录了每个数据集、API 密钥配置、加载器及存储层级（约 70 MB 免费层至约 7 GB 完整版）。
|
||
|
||
**运行 notebook。** Notebook 与 [Jupytext](https://jupytext.readthedocs.io/) 文件成对（`.py` 源文件 + 生成的 `.ipynb`）。运行快速冒烟测试，或打开 Jupyter Lab：
|
||
|
||
```bash
|
||
uv run python 01_process_is_edge/factor_regimes.py
|
||
docker compose up -d ml4t # then open http://localhost:8888
|
||
```
|
||
|
||
Papermill 参数与实验工作流见 **[运行 notebook 指南](docs/running-notebooks.md)**。
|
||
|
||
### Docker 镜像
|
||
|
||
大多数 notebook 在默认 **ml4t** 镜像上运行；少数需要专用镜像，各 notebook 会在前言中说明。完整说明见 **[Docker 环境指南](envs/README.md)**。
|
||
|
||
| Image | Covers | When you need it |
|
||
|--------------|------------------------------------------------------------------|-------------------------|
|
||
| `ml4t` | 全部 27 章 + 9 个案例研究（CPU） | 一切内容的默认选择 |
|
||
| `ml4t-gpu` | 同一 `ml4t` 镜像，使用 NVIDIA runtime（`--profile gpu`）运行 | 深度学习章节 |
|
||
| `ml4t-py312` | Python 3.12，用于 signatory、esig、gensim、pfhedge、tfcausalimpact | 约 10 个 notebook |
|
||
| `benchmark` | 数据库客户端（TimescaleDB、ClickHouse、QuestDB、InfluxDB） | 第 02 章存储基准测试 |
|
||
| `rapids` | RAPIDS cuML + LightGBM CUDA（本地构建） | 第 12 章一项 GPU 基准测试 |
|
||
|
||
---
|
||
|
||
## 版本发布
|
||
|
||
新章节与 notebook 将在未来数周内陆续添加。⭐ 关注或 star 本仓库以跟进进展，并订阅每两周一期的 [**Insights** 通讯](https://insights.ml4trading.io/).
|
||
|
||
**在找第二版？** 它已在 `second-edition` 分支上完整且稳定 —
|
||
`git checkout second-edition`，一切内容与书中描述完全一致。
|
||
|
||
---
|
||
|
||
## 贡献与反馈
|
||
|
||
发现错误、失效链接或有建议？在本书正式发布前，早期反馈尤为宝贵。
|
||
|
||
- **Issues**：[提交 GitHub issue](https://github.com/stefan-jansen/machine-learning-for-trading/issues)
|
||
- **网站与联系**：[ml4trading.io](https://ml4trading.io)
|
||
|
||
---
|
||
|
||
## 许可证
|
||
|
||
代码：[MIT License](LICENSE) · 书籍内容：© 2026 Stefan Jansen. All rights reserved.
|
||
|
||
<p align="center">
|
||
<a href="https://amzn.to/4eigy2F">获取本书</a> •
|
||
<a href="https://ml4trading.io">ml4trading.io</a> •
|
||
<a href="https://github.com/stefan-jansen/machine-learning-for-trading">GitHub</a>
|
||
</p>
|