一、课程导论：美股市场特点、机器学习在量化交易中的角色、课程目标与学习路径

1.1 美股市场：一个与A股完全不同的世界

先聊聊美股。我刚开始接触美股量化时，最大的感受就是——这玩意儿跟A股完全是两个物种。

美股市场有几个核心特点，你必须要刻在脑子里：

• 交易时间长：美东时间9:30到16:00是常规交易，盘前盘后还能再玩几个小时。一天下来，数据量比A股多出一大截。
• T+0交易：当天买当天卖，没有限制。这意味着高频策略在美股有生存空间，但在A股基本玩不转。
• 做空机制成熟：涨跌都能赚钱。我见过不少策略，专门做空那些财报造假的公司，收益反而比做多策略更稳。
• 机构主导：散户占比不到20%。你想想看，你的对手盘都是高盛、摩根大通这些家伙，他们的算法交易占了总成交量的70%以上。
• 数据极度丰富：从分钟级Tick数据到公司财报、新闻情绪、期权链、宏观经济指标……数据源多到让你头疼。

我记得2018年刚做美股量化时，用了一个简单的均线策略回测，夏普比率看着挺漂亮。结果实盘一跑，连续三个月亏损。后来才发现，我的策略在机构的高频算法面前，根本抢不到入场时机。嗯，这就是美股的残酷现实。

1.2 机器学习在量化交易中的角色

很多人问我：机器学习在量化交易里到底能干啥？

说白了，就三件事：

1. 预测价格走势：用历史数据训练模型，预测未来几秒、几分钟、甚至几天的价格方向。
2. 识别市场模式：找到那些肉眼看不到的规律。比如某个技术指标组合在特定市场环境下，胜率会显著提升。
3. 管理风险：预测波动率、识别异常交易、动态调整仓位。

但我要泼一盆冷水——机器学习不是万能钥匙。我在项目中遇到过太多人，上来就扔一个LSTM模型，觉得能预测股价。结果呢？过拟合得一塌糊涂，实盘亏得连裤衩都不剩。

机器学习在量化中的角色，更像是一个辅助决策工具。它帮你从海量数据中提取信号，但最终的交易决策，还是要结合市场逻辑和风控规则。

1.3 课程目标与学习路径

这门课的目标很明确：让你从零开始，掌握用机器学习模型做美股预测的完整流程。

具体来说，学完这门课，你应该能：

• 独立获取和处理美股市场数据
• 构建有效的特征工程体系
• 训练并调优至少3种机器学习模型（线性回归、随机森林、LSTM）
• 设计回测框架并评估策略表现
• 避免我踩过的那些坑

学习路径我建议这样走：

阶段	内容	预计时间
第一阶段	数据获取与预处理	2周
第二阶段	特征工程与探索性分析	2周
第三阶段	模型构建与调优	3周
第四阶段	回测与策略评估	2周
第五阶段	实盘部署与监控	1周

好了，这就是第一章的内容。接下来我们会一步步深入，从数据获取开始，带你走完整个流程。