第 6 章：机器学习策略

机器学习在量化中的应用——从特征工程到树模型再到深度学习，以及如何检测过拟合和诊断策略问题。本 Part 聚焦"可解释的 ML 因子"，而非黑箱预测。

使用方法

1. 学本章内容 → 理解 ML 因子与传统因子的区别与结合
2. 跑代码 → GPU 加速的 Notebook，支持 Colab 或本地运行
3. 做练习 → 改特征、调超参、对比模型效果
4. 点「掌握检查」 → 解锁下一章

章节一览

章节	主题	内容简介
6.1 特征工程	从原始数据到 ML 特征	时序特征（滚动统计、滞后）、截面特征（市值分层、行业相对）、特征选择与降维
6.2 XGBoost 因子	树模型因子挖掘	XGBoost 对收益率建模 → 提取叶子节点作为因子 → 因子重要性分析与回测验证
6.3 LSTM	序列模型初探	用 LSTM 学习价格序列中的时序模式，处理非平稳性，对比与传统时序模型（ARIMA/GARCH）的差异
6.4 过拟合检测与策略诊断	回测可信度检验	样本外测试、交叉验证、过拟合预警信号、策略诊断清单——量化你的策略是否只是"凑参数"

数据来源

A 股全市场行情 + 日频因子数据。ML 部分可使用 GPU（Notebook 自动检测）。

进度

每章预计 3-4 小时（含模型训练）。全部 4 章约 2-3 周。