stefan-jansen/machine-learning-for-trading

Code for Machine Learning for Trading, 3rd edition — from data sourcing to live execution.

📚 这是什么？

Machine Learning for Trading, 3rd Edition 是 Stefan Jansen 教科书的配套代码仓库。它包含一个完整的端到端管线，从原始市场数据开始，将其转换为特征，训练各种模型，对产生的信号进行回测，最后展示如何将策略部署到实盘经纪商（IB, Alpaca, QuantConnect）。仓库按章节组织，让您可以跟随书本内容，并在不同的资产类别上执行相同的九个案例研究。

🚀 核心理念与工作流程

数据层 – 使用 Polars 进行快速、基于表达式的数据处理；支持日线、日内与替代数据（SEC 申报文件、链上加密货币、宏观经济）。同时提供合成数据生成器（TimeGAN, Tail‑GAN, diffusion）。
证据边界 – 严格区分模型调优（研究）与样本外评估（验证）。内置滚动交叉验证、多重测试校正，以及统计工具如 Deflated Sharpe Ratio, Rademacher Anti‑Serum 与 White’s Reality Check。
模型工具箱 – 从经典线性模型到梯度提升树（XGBoost, LightGBM, CatBoost）以及深度时间序列网络（PatchTST, iTransformer, TSMixer, TCN, Mamba）。亦包含表格专用网络（TabPFN, TabM）与因果推断方法（Double‑ML, Bayesian structural time series）。
策略构建 – 投资组合优化（均值方差, HRP, Kelly）、交易成本建模、风险管理（VaR, CVaR, deep hedging），以及将预测与成本/风险感知投资组合链接的最终合成步骤。
生产与 MLOps – Docker 化可重现环境、特征仓库、实验追踪、漂移检测、断路器，以及适用于 Interactive Brokers, Alpaca 与 QuantConnect 的实盘交易适配器。
进阶 AI – 针对 SEC 申报文件的检索增强生成（RAG）、知识图谱管线，以及使用 LangGraph/Claude SDK 构建的自主多代理研究系统。

📂 仓库结构（概览）

case_studies/ – 九个端到端管线（ETF, 加密货币永续合约, NASDAQ‑100 微观结构, 期权, 外汇, 期货等）。
01_process_is_edge/ … 27_systematic_edge/ – 每章一个文件夹，包含简短指南与实现该章概念的笔记本。
docs/ – 快速入门、安装与使用指南。
docker/ – Docker‑Compose 文件，可拉取包含所有依赖项（PyTorch, LightGBM, Optuna, Plotly 等）的即用型镜像。
assets/ – 书籍封面与工作流程图。

🛠️ 开始使用（根据 README）

Clone 仓库并复制示例环境文件。
选择 Docker（拉取 ml4t 镜像）或本地 uv 环境。
依照 docs/ 中的“这是什么、安装、运行笔记本”三步骤指南操作。
选择一个案例研究文件夹并运行提供的笔记本，亲眼见证完整的管线运作。

🎓 谁适合使用？

量化研究员：寻求与教科书工作流程一致、可重现且可直接投入生产的代码库。
数据科学家：希望在真实金融数据上练习时间序列、表格与因果机器学习。
工程师：对低延迟交易系统的 MLOps（特征仓库、漂移检测、安全发布）感兴趣。
学生：量化金融领域的学生，需要书本理论的实作补充。

📚 相关资源

第二版 分支 (second-edition) 包含先前的稳定版本。
Maven 上的 在线课程与工作坊（基础、研究到生产、AI 代理等）。
每周 Insights 通讯，提供持续更新。

以上所有细节均直接取自仓库的 README；未推论任何额外功能。