stefan-jansen GitHub avatar

machine-learning-for-trading

Jupyter Notebook
机器学习量化交易教材stefan-jansen最近推送 2026年11月19日
训练与微调MIT21.9k5,7980 issues7 天 +104

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

4.0

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

  1. 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。

  2. 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。

  3. 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。

  4. 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。

  5. 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. 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. 2

    安装环境

    按 README 的 Quick start 安装依赖,或使用各章 Docker 环境。

  3. 3

    下载数据

    按 README 说明下载配套数据。

  4. 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。

主题标签

machine-learningtradinginvestmentfinancedata-scienceinvestment-strategiesartificial-intelligencetrading-strategiesdeep-learningsynthetic-dataml4t-workflowtrading-agentalgorithmic-tradingbacktestinglarge-language-modelspolarsquantitative-financereinforcement-learning