机器学习预测模型在美股中的应用
📚 共计 30 章节
01
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
入门
概览
02
环境搭建
Python量化环境配置 (Anaconda/Jupyter) · 必备库安装 (pandas/numpy/scikit-learn/yfinance)
工具
配置
03
数据获取
使用yfinance获取美股历史数据 · 多股票处理 · 数据频率选择 (日线/分钟线)
数据
API
04
数据清洗
处理缺失值 · 异常值检测与处理 · 数据对齐与重采样
预处理
质量
05
特征工程基础
技术指标计算 (MA/RSI/MACD) · 滚动统计特征 · 滞后特征
特征
指标
06
标签构建
未来收益率计算 · 分类标签 (涨/跌/平) · 回归标签 (收益率数值)
标签
监督
07
数据预处理
标准化/归一化 · 训练/验证/测试集划分 · 避免未来信息泄露
预处理
时序
08
线性模型
线性回归 · 逻辑回归在股票预测中的应用 · 模型解释性分析
线性
可解释
09
决策树与随机森林
决策树原理 · 随机森林集成 · 特征重要性分析
树模型
集成
10
支持向量机
SVM原理 · 核函数选择 · 分类预测应用
SVM
分类
11
XGBoost与LightGBM
梯度提升树原理 · XGBoost实战 · LightGBM优化技巧
Boosting
高效
12
神经网络入门
感知机与多层感知机 · 激活函数 · 使用Keras构建简单预测模型
深度学习
Keras
13
LSTM时间序列模型
循环神经网络原理 · LSTM结构 · 股价序列预测实战
RNN
时序
14
模型评估指标
分类指标 (准确率/精确率/召回率/F1) · 回归指标 (MSE/MAE/R²) · 回测指标 (夏普比率/最大回撤)
评估
回测
15
过拟合与正则化
过拟合识别 · L1/L2正则化 · Dropout · 早停法
正则化
泛化
16
超参数调优
网格搜索 · 随机搜索 · 贝叶斯优化 · 交叉验证策略
调参
优化
17
集成学习策略
Stacking · Blending · Voting/Averaging集成方法
集成
高级
18
回测框架搭建
向量化回测与事件驱动回测 · 交易成本模拟 · 滑点模型
回测
实战
19
风险管理
投资组合理论 · 风险价值(VaR) · 条件风险价值(CVaR) · 凯利公式
风控
组合
20
多因子模型
Fama-French因子模型 · 自定义因子构建 · 因子组合测试
因子
量化
21
市场微观结构
订单簿分析 · 买卖价差 · 成交量分布 · 高频数据特征
微观
高频
22
情绪分析
新闻情感分析 · 社交媒体情绪指标 · NLP基础在金融中的应用
NLP
情绪
23
宏观指标融合
宏观经济数据获取 · 利率/通胀/GDP影响分析 · 多源数据融合
宏观
融合
24
模型部署
模型序列化 (pickle/ONNX) · Flask API搭建 · 定时任务自动化
部署
API
25
实盘模拟
模拟交易系统设计 · 资金管理模块 · 实时数据流处理
模拟
实盘
26
策略优化
参数敏感性分析 · 蒙特卡洛模拟 · 稳健性检验
优化
稳健
27
案例分析一
基于LSTM的苹果股票日内预测策略
案例
LSTM
28
案例分析二
基于XGBoost的多因子选股策略
案例
XGBoost
29
案例分析三
基于集成学习的跨行业轮动策略
案例
轮动
30
课程总结
常见陷阱与避坑指南 · 持续学习资源推荐 · 下一步进阶方向
总结
进阶