stefan-jansen/machine-learning-for-trading

解決的問題

提供一個全面的端對端框架，用於建構、測試與部署機器學習驅動的交易策略。本專案透過建立有紀律的工作流程，彌補理論研究與即時市場執行之間的差距，該流程管理資料基礎設施、訊號產生、嚴謹的評估（「證據邊界」）以及生產MLOps，以防止過度擬合與前瞻偏差等常見陷阱。

如何運作

本專案以研究到生產的流程為核心，由六個專業的Python套件實現：

• Data：從19+個資料供應商統一取得資料（ml4t-data）。
• Signal：特徵工程與防洩漏的資料集準備（ml4t-engineer）。
• Models：實現金融導向的潛在因子與投資組合學習（ml4t-models）。
• Evaluation：策略診斷與特徵驗證（ml4t-diagnostic）。
• Strategy：支援現實執行的事件驅動回測（ml4t-backtest）。
• Deployment：支援即時交易的經紀商整合（ml4t-live）。

採用多種技術，包括梯度提升、深度時序架構（如PatchTST、Mamba）、因果機器學習、用於執行的強化學習，以及用於金融研究的生成式AI（RAG與多代理系統）。

適用對象

希望從原始金融資料出發，透過嚴謹且基於證據的方法，建構生產級交易系統的量化研究人員、算法交易員與ML工程師。

主要亮點

• 端對端工作流程：涵蓋從資料取得、特徵工程到風險管理與即時部署的完整生命週期。
• 多元化的模型工具包：包含從線性基線、XGBoost到高階深度學習與因果機器學習的全部內容。
• 生成式AI整合：基於SEC文件、知識圖譜與自主多代理研究系統的RAG實作。
• 嚴謹的驗證機制：使用滾動向前交叉驗證與Deflated Sharpe Ratio等工具，防範過度擬合。
• 九個案例研究：將同一套流程應用於ETF、加密貨幣、外匯與股票等多種資產類別。