01
订单流预测概述
什么是订单流、订单流预测的意义、应用场景与挑战。
概念入门
02
数据采集与清洗
获取订单历史数据、数据清洗与预处理、处理缺失值与异常值。
数据预处理
03
特征工程基础
时间特征提取、统计特征构建、业务特征衍生。
特征工程
04
探索性数据分析（EDA）
数据分布分析、相关性分析、可视化洞察。
EDA可视化
05
时间序列基础
平稳性检验、自相关与偏自相关、差分与季节性分解。
时序统计
06
经典预测模型
ARIMA模型原理、模型定阶与参数估计、模型诊断与评估。
ARIMA经典
07
机器学习模型入门
线性回归、决策树、随机森林在订单预测中的应用。
ML回归
08
梯度提升模型
XGBoost、LightGBM、CatBoost原理与实战对比。
Boosting对比
09
深度学习模型
LSTM网络结构、时间步与滑动窗口、Keras/TensorFlow实现。
LSTMDL
10
模型评估指标
MAE、MSE、RMSE、MAPE、SMAPE详解与选择。
指标评估
11
交叉验证策略
时间序列交叉验证、滚动预测验证、扩展窗口验证。
CV时序
12
超参数调优
网格搜索、随机搜索、贝叶斯优化在时间序列中的应用。
调优超参
13
集成学习与堆叠
模型融合策略、Stacking与Blending实战。
集成堆叠
14
回测框架设计
回测系统架构、事件驱动与向量化回测、性能考量。
回测系统
15
交易策略基础
阈值策略、移动平均策略、动量策略与订单流结合。
策略交易
16
风险控制与资金管理
最大回撤、夏普比率、凯利公式、仓位管理。
风控资金
17
多模型对比实验
基准模型建立、对比实验设计、统计显著性检验。
对比实验
18
特征重要性分析
SHAP值、Permutation Importance、特征选择实战。
可解释SHAP
19
异常检测与预警
孤立森林、LOF、Autoencoder在订单异常检测中的应用。
异常预警
20
实时预测系统
流式数据处理、模型在线更新、延迟优化。
实时流式
21
多步预测策略
直接多步、递归多步、Seq2Seq多步预测方法。
多步预测
22
概率预测
分位数回归、贝叶斯方法、预测区间构建。
概率区间
23
外部因素融合
节假日效应、促销活动、宏观经济指标引入。
外生特征
24
模型部署与API化
Flask/FastAPI服务搭建、Docker容器化、模型版本管理。
部署API
25
自动化机器学习（AutoML）
AutoGluon、TPOT、H2O在订单预测中的应用。
AutoML自动
26
因果推断入门
因果图、双重差分、工具变量在订单分析中的应用。
因果推断
27
强化学习与订单流
DQN、PPO在动态定价与库存管理中的探索。
强化RL
28
大规模数据处理
Spark/Dask分布式计算、特征存储、模型并行训练。
分布式Spark
29
案例实战：电商订单预测全流程
数据→特征→模型→回测→部署。
实战全流程
30
总结与展望
行业趋势、前沿技术、持续学习路径与资源推荐。
总结资源