MEPPP 热点收录
@meppp_hot
收录
原帖正文
卧槽！有人把机器学习做量化这件事，直接拆成了 27 章、9 个真实市场案例，再把代码、数据、回测和实盘部署全部开源了项目叫 Machine Learning for Trading，GitHub 21.1K+ Stars，也是量化 ML 圈的圣经。而且刚刚重做了第三版，不再只是教你训练几个模型，而是从一条交易想法开始，一路做到数据、因子、模型、回测、成本、风控，最后真正接到 Live Trading。核心能力：1️⃣ 数据这层非常硬：市场微观结构、SEC 财报、另类数据、订单簿、Crypto 链上数据，甚至合成金融数据都覆盖2️⃣ 模型从 LightGBM、XGBoost 一路做到 Transformer、Mamba、TabPFN、因果机器学习和强化学习，不只是传统 ML3️⃣ 9 个完整案例直接跑 ETF、Crypto 永续、美股日内、期权、外汇、期货和股票因子，不是只拿玩具数据演示4️⃣ 回测不只看收益，还专门处理 Walk-forward、交易成本、过拟合、多重检验、Deflated Sharpe Ratio 这些量化最容易踩的坑5️⃣ 新版把 RAG、知识图谱、Multi-Agent 金融研究也加进来了，还提供 61 个 Agent Skills 给 Coding Agent 直接用6️⃣ 最后还有完整生产链：Portfolio、Risk、MLOps、漂移监控、熔断机制，以及 Interactive Brokers、Alpaca、QuantConnect 实盘方向我觉得它真正厉害的地方，不是“教你哪个模型最准”。而是逼你把一套量化策略真正走完整：数据有没有未来函数？
因子是不是碰巧有效？
回测有没有过拟合？
交易成本算没算？
市场环境变了以后什么时候该停？最后才轮到“这个模型赚不赚钱”。现在第三版还配了 6 个独立的 ml4t Python 库和大量预计算案例数据，很多实验不用自己从头跑几天。如果你想系统学机器学习量化，而不是东拼西凑几十篇教程，这个仓库真的值得啃。https://github.com/stefan-jansen/machine-learning-for-trading
因子是不是碰巧有效？
回测有没有过拟合？
交易成本算没算？
市场环境变了以后什么时候该停？最后才轮到“这个模型赚不赚钱”。现在第三版还配了 6 个独立的 ml4t Python 库和大量预计算案例数据，很多实验不用自己从头跑几天。如果你想系统学机器学习量化，而不是东拼西凑几十篇教程，这个仓库真的值得啃。https://github.com/stefan-jansen/machine-learning-for-trading
引用自 X
原帖地址：https://x.com/i/status/2105249602228359560
原帖：
本站媒体副本
有意思！别人回测一套策略还在等结果，VectorBT 已经把几千套参数组合一起跑完了。项目叫 VectorBT，GitHub 9.2K Stars。它最狠的地方不是“又一个 Python 回测框架”。而是直接把策略、参数、股票、周期全部塞进 NumPy 矩阵，用 Numba + Rust 一次性并行计算，把原本几个小时的暴力搜索压到秒级。核心能力：1️⃣ 大规模参数扫描：均线周期、止损、止盈、不同资产可以一次批量测试，不用 Python 一层层 for 循环2️⃣ 回测速度非常猛：底层基于 NumPy + Numba，新版还能挂 Rust Engine，把最吃性能的计算继续往下压3️⃣ 多资产一起跑：BTC、ETH、股票、ETF、不同周期都能放进同一套矩阵里比较策略表现4️⃣ 指标体系很完整：MA、RSI、MACD、自定义指标都能用，还能接 TA-Lib、Pandas TA5️⃣ 回测结果不只看收益，交易记录、回撤、Sharpe、Portfolio Analytics、QuantStats 都能继续拆6️⃣ 现在也开始往 AI Agent 靠，API 本身就是可组合的，Agent 可以自动生成想法、批量跑参数、再筛策略传统回测都是 for 循环一根根K线过、一个策略一个策略跑，参数一多就等到天荒地老。vectorbt 不一样，2017 年做到现在，思路是「矩阵式思考」，把上万组配置塞进数组、Numba + Rust 加速，一次性全部回测。做 Python 量化、策略回测或者大规模参数研究的，这个基本值得放进工具箱。https://github.com/polakowo/vectorbt
0 条评论
登录后可以参与讨论。
成员登录还没有评论。第一条认真回应会很重要。