AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日
《机器学习量化交易》第三版配套代码,覆盖从数据获取到实盘执行的完整流程。
这是 Stefan Jansen 所著《Machine Learning for Trading》第三版的官方代码仓库,用 Jupyter Notebook 写成。全书 27 章、9 个案例研究,围绕一条端到端工作流组织:数据基础设施与策略研究,经证据边界区分调参与评估,再到部署监控和策略衰减后的重训、暂停或退役。
推荐指数
内容系统、案例丰富,适合作为量化交易与机器学习结合的学习和参考材料。
近 7 天
+104
新增 Star
总 Star 排名
#336
雷达追踪的 3,958 个 AI 仓库中
创建于
2018
2018年5月9日
核心亮点
1端到端工作流
从数据获取、特征、建模、回测到部署监控串成一条完整链路。
2九个案例研究
ETF、加密永续、日内股票、期权、外汇、期货等资产各走同一套流程。
3方法严谨性
强调证据边界、滚动交叉验证,并用 Deflated Sharpe 等工具应对过拟合。
4技术栈较新
数据层用 Polars,模型涵盖梯度提升、深度时序、生成式 AI 与强化学习。
5可复现环境
每章提供 Docker 环境,便于在不同机器上复现结果。
适用场景
系统学习量化交易
例如:按章节顺序读代码,理解一个交易想法如何变成可运行的策略。
案例对照实践
例如:用 ETF 案例的同一套流程,改到外汇或期货数据上跑一遍。
研究方法参考
例如:借鉴书中的滚动交叉验证和多重检验校正做法,检查自己的回测。
实盘系统调研
例如:参考 Interactive Brokers、Alpaca、QuantConnect 的接入示例。
它是怎么工作的
第 1 步
准备数据
获取并整理各资产类别的行情与特征数据,数据层基于 Polars。
第 2 步
研究与建模
构造标签和特征,训练梯度提升、深度时序等模型。
第 3 步
跨越证据边界
把调参阶段与最终评估分开,用滚动交叉验证检验策略。
第 4 步
回测与组合
加入交易成本和风险管理,把信号转成有仓位约束的组合。
第 5 步
部署与监控
接入券商实盘,监控漂移,按策略衰减决定重训、暂停或退役。
快速上手
- 1
克隆仓库
获取第三版代码,第二版在 second-edition 分支。
git clone https://github.com/stefan-jansen/machine-learning-for-trading.git - 2
安装环境
按 README 的 Quick start 安装依赖,或使用各章 Docker 环境。
- 3
下载数据
按 README 说明下载配套数据。
- 4
运行首个笔记本
打开章节 notebook 跑通第一个示例。
适合谁
- 有 Python 和机器学习基础的开发者
- 量化研究员与策略开发者
- 金融数据科学方向的学生和教师
不太适合
- 完全没有编程经验的初学者
- 想直接拿来跑实盘赚钱的用户
成熟度
- 活跃度最近一次推送在 2026 年 11 月,仍在持续维护。
- 文档README 含 27 章指南、案例表和快速上手说明,结构完整。
- 社区约 2.2 万 star、5700 多 fork,关注度高。
- 上手难度依赖较多,需按章节配置环境和数据,上手有一定门槛。
同类项目怎么选
- QuantConnect/Lean开源算法交易引擎,偏实盘执行框架,而非配套教材的代码。
- microsoft/qlib面向 AI 量化的平台型框架,提供数据与流水线,本书更偏教学案例。
使用前注意
- · MIT 许可,可自由使用和修改代码。
- · 需要自行准备行情数据并配置 Python 或 Docker 环境。
- · 书中策略用于教学研究,不构成投资建议,实盘有亏损风险。
- · 部分章节涉及券商 API 和付费数据源,可能产生成本。
