阶段8ML实战检验●●●●●

关卡：机器学习毕业考——一个诚实样本外的完整项目

我的掌握程度：

q-800精讲

先掌握这个答案

项目验收八条：①数据与特征：30+因子特征、标签设计说明书（q-702）；②验证协议：Purged CV全程裁判（q-710）+OOS拼接终审（q-771）；③模型：LightGBM安全参数+秩序调参记录（q-731）；④体检：九信号体检表全绿（q-713）；⑤结果：拼接样本外IC/分层/多空净值/成本后超额；⑥对比基线：等权因子合成被它打败了吗（打不败就别上ML）；⑦复现：README一键重跑、随机种子固定；⑧边界声明：容量估算、失效条件、适用场景。答辩十问：金融ML三差异/标签设计三陷阱/为什么禁随机CV/Purged与Embargo各删什么/九信号任举三/五参数与秩序/min_data为何千级/OOS拼接三坑/拼接vs全样本的差距含义/什么时候不该用ML。

先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。

从理解到使用

按标签区间检查泄漏

以实际预测目标设计时间切分，检查每条标签观察区间是否跨过验证边界。标准化、填充、特征选择和调参仅在训练内拟合；只按日期切开仍可能因标签重叠产生泄漏。

核对来源：scikit-learn：时间序列交叉验证 ↗

先赢过一个简单基线

固定数据与验证，比较等权、线性模型或朴素预测，再评估复杂模型的边际收益。记录重训练频率、预测延迟、漂移和费用；更高拟合分数不等于更高净收益。

本阶段实战方法 · 把验证流程当作模型的一部分

训练选股模型或使用另类数据时，先保证训练过程没有接触预测时不可得的信息。

定义每个样本的特征可得时间和标签覆盖区间，再按预测场景设计时间切分。
归一化、缺失填充、特征选择和调参只在训练集拟合；重叠标签要按实际区间purge。
用朴素基线和多段滚动样本外比较，报告成本、稳定性、漂移与全部实验次数。

使用边界

排行榜或验证集反复用于挑模型后也会过拟合；留一份最终测试集。
随机切分不是所有问题都禁止，但金融未来预测必须尊重时点和标签重叠，说明验证目标。

不懂的术语：因子（Factor）IC（信息系数）因子合成（Factor Combination）特征（Feature）标签（Label / Target）LightGBM 常用参数

背景 · 从一个困惑说起

阶段8毕业考=交付一个完整的ML选股项目。它不是「模型分数最高的项目」，而是「验证最诚实的项目」——面试官看完你的README能复现每个数字，且找不到任何一处时间泄漏。这份项目是你简历上最有分量的一行。

由此产生的问题

毕业项目的验收清单有哪些？答辩十问是什么？

核心概念

为什么需要它

①作品的完整性：机构的ML研究=数据+模型+验证+工程+文档五合一——毕业项目按此标准塑形，简历价值最大化；②诚实是卖点：量化圈看惯了漂亮数字，一个「低而真」的项目反而稀缺——你的差异化定位；③阶段衔接：此项目直接喂给阶段9（竞赛）与阶段10（求职面试）——一鱼三吃。

实际应用场景

答辩形式：对AI导师完整讲20分钟（它扮演挑剔面试官），被问倒的点当天补；README结构：问题→数据→方法→验证协议→结果→边界→复现。

与之前知识的联系

八门功课在项目里合龙：阶段4管道供数据、阶段5因子供特征、阶段6协议管验证、阶段7全景图管上线后——ML项目是整个课程的「期中考」。通关后进入阶段9：把能力兑换成竞赛战绩与简历。

⚠ 常见误解

项目分数越高越好：金融ML项目的评分维度是「验证可信度×工程完整度」，分数只是结果之一——0.045的诚实IC胜过0.08的水分IC
毕业考过了ML就毕业了：ML是工具不是终点；阶段9-10教你用它换机会，之后 lifelong learning（q-1000预告）
答辩背答案就行：面试官的追问是发散的——理解每个「为什么」才能以不变应万变

🤖 AI导师

导师会先检查你的前置知识（全阶段：ML特殊性/验证纪律/树模型/特征/OOS拼接），再用案例、公式和代码帮助理解。此功能需要先启用服务。