stefan-jansen/machine-learning-for-trading

解决的问题

提供一个全面的端到端框架，用于构建、测试和部署机器学习驱动的交易策略。该项目通过建立一个有纪律的工作流程，解决了理论研究与实时市场执行之间的差距，该流程管理数据基础设施、信号生成、严格的评估（"证据边界"）以及生产MLOps，以防止过拟合和前瞻偏差等常见陷阱。

如何工作

该项目围绕一个研究到生产的流水线组织，该流水线由六个专门的Python库实现：

• Data：从19+个数据提供商统一获取数据（ml4t-data）。
• Signal：特征工程和防泄漏的数据集准备（ml4t-engineer）。
• Models：实现金融原生潜在因子和投资组合学习（ml4t-models）。
• Evaluation：策略诊断和特征验证（ml4t-diagnostic）。
• Strategy：支持现实执行的事件驱动回测（ml4t-backtest）。
• Deployment：支持实时交易的经纪商集成（ml4t-live）。

采用多种技术，包括梯度提升、深度时序架构（如PatchTST、Mamba）、因果机器学习、用于执行的强化学习，以及用于金融研究的生成式AI（RAG和多智能体系统）。

适用人群

希望从原始金融数据出发，通过严谨的、基于证据的方法，构建生产级交易系统的量化研究人员、算法交易员和ML工程师。

主要亮点

• 端到端工作流：覆盖从数据获取、特征工程到风险管理及实时部署的完整生命周期。
• 多样化的模型工具包：包含从线性基线、XGBoost到高级深度学习和因果机器学习的全部内容。
• 生成式AI集成：基于SEC文件、知识图谱和自主多智能体研究系统的RAG实现。
• 严格的验证机制：使用滚动向前交叉验证和Deflated Sharpe Ratio等工具对抗过拟合。
• 九个案例研究：将同一套流程应用于ETF、加密货币、外汇和股票等多种资产类别。