Machine Learning for Trading
金融机器学习教材配套的实验与案例仓库；当前默认分支对应第三版的端到端研究流程。
为什么值得学
适合按章节把数据、模型、模拟、成本和部署连起来，学习一份研究怎样形成证据。
数据与控制流程
- 1研究问题
- 2数据与特征
- 3时间验证与模型
- 4策略模拟
- 5成本和风险
- 6部署评估与监控
此流程为教学归纳，便于建立整体认识；完整条件分支与运行细节请对照下方源码。
架构拆解 · 4 个核心模块
每个入口均已核对，点击可阅读源码金融数据章节
第 2 章介绍数据覆盖、数据源和获取组织，为后续案例提供输入。
- 输入
- 研究问题与市场范围
- 输出
- 带来源和语义的数据集
02_financial_data_universe/README.md机器学习流水线
第 11 章串联学习任务、模型训练与时间相关的验证步骤。
- 输入
- 特征、标签和划分方案
- 输出
- 预测结果与评估证据
11_ml_pipeline/README.md策略模拟章节
第 16 章将预测和交易假设放入模拟流程，检查信号能否形成可评估策略。
- 输入
- 预测、价格和策略规则
- 输出
- 交易模拟与策略评价
16_strategy_simulation/README.md运维与治理章节
第 26 章讨论部署后的监控、漂移和研究治理，扩展到策略生命周期。
- 输入
- 模型与运行监控信息
- 输出
- 再训练、审查与运行管理方案
26_mlops_governance/README.md建议阅读顺序
- 先从 README 选一个贯穿章节的案例
- 阅读数据章节确认数据可得性
- 沿机器学习流水线与模拟章节复现一个基线
- 最后整理 MLOps 章节的监控清单
动手做一次
选一个案例，制作从原始数据到样本外报告的可复现实验目录。
完成后，检查这些证据
- 保存数据和环境版本
- 列出特征时点、标签区间与测试切分
- 报告一次失败实验及其原因，而非只展示最优结果
适用边界与版本说明
这是教材与实验集合，不是单一交易引擎；第二版内容在 second-edition 分支，章节路径和依赖不能与第三版混用。
Star 快照：21,477 · 核验日期：2026-10-20 · GitHub 归档标记：未归档
核验默认分支：main · 源码固定提交：c9375475d669 ↗
来源：GitHub 仓库与 Star 页面、README及上述源文件。分层、阅读顺序与练习为本站归纳；未逐一安装运行这些框架，源码提交不等于推荐安装版本。