01
课程导论
为什么用机器学习预测股价？课程目标与学习路径、所需工具与环境准备（Python、Jupyter、常用库）。
入门环境
02
金融数据获取
使用yfinance库获取历史股票数据、数据清洗与预处理、数据可视化基础。
yfinance预处理
03
特征工程基础
什么是特征？常见技术指标（移动平均线、RSI、MACD）的计算与实现。
技术指标TA
04
标签构建
如何定义涨跌方向？未来N日收益率、分类标签的生成与平衡性检查。
标签分类
05
数据划分
时间序列数据的特点、避免未来函数、训练集/验证集/测试集的正确划分方法。
时间序列划分
06
逻辑回归模型
逻辑回归原理、在sklearn中实现、模型训练与基础评估。
逻辑回归sklearn
07
模型评估指标
准确率、精确率、召回率、F1-score、混淆矩阵、ROC与AUC。
评估指标
08
决策树与随机森林
决策树原理、随机森林原理、在股价预测中的应用与调参。
随机森林调参
09
支持向量机（SVM）
SVM原理、核函数选择、在金融时间序列中的表现。
SVM核函数
10
K近邻算法（KNN）
KNN原理、距离度量、K值选择对预测结果的影响。
KNN距离
11
特征选择与降维
相关性分析、方差阈值、主成分分析（PCA）在特征过多时的应用。
PCA降维
12
过拟合与正则化
过拟合现象、L1/L2正则化、交叉验证在时间序列中的特殊处理。
正则化L1/L2
13
时间序列交叉验证
TimeSeriesSplit、滚动窗口验证、扩展窗口验证。
TimeSeriesSplit滚动
14
集成学习方法
Bagging、Boosting（AdaBoost、Gradient Boosting）、Stacking基础。
集成Boosting
15
XGBoost与LightGBM
原理简介、安装与使用、参数调优实战。
XGBoostLightGBM
16
神经网络入门
感知机、多层感知机（MLP）、激活函数、使用Keras构建简单模型。
MLPKeras
17
深度学习进阶：LSTM
LSTM原理、为什么LSTM适合时间序列？使用TensorFlow/Keras实现LSTM。
LSTMTensorFlow
18
模型部署基础
使用joblib/pickle保存模型、创建简单的预测脚本。
部署pickle
19
回测框架搭建
如何模拟真实交易环境？计算策略收益率、最大回撤、夏普比率。
回测夏普
20
实战项目一：单只股票
AAPL涨跌预测全流程（数据→特征→模型→回测）。
AAPL全流程
21
实战项目二：多股票组合
多只股票组合预测与风险管理。
组合风控
22
实战项目三：多时间尺度
不同时间尺度（日线、小时线）的预测效果对比。
日线小时线
23
超参数自动调优
GridSearchCV、RandomizedSearchCV、贝叶斯优化简介。
调优GridSearch
24
处理非平稳时间序列
差分、对数收益率、ADF检验、协整关系。
ADF协整
25
另类数据源
新闻情感分析（NLP基础）、宏观经济指标如何作为特征。
NLP情感
26
模型解释性
SHAP值、特征重要性排序、部分依赖图。
SHAP可解释
27
风险管理与仓位控制
凯利公式、风险平价、止损策略。
凯利止损
28
常见陷阱与误区
幸存者偏差、前视偏差、数据泄露、过优化。
陷阱偏差
29
课程总结
知识体系回顾、如何持续学习、推荐资源（书籍、论文、博客）。
总结资源
30
毕业项目
学员自选股票/指数，完成从数据获取到策略回测的完整报告。
毕业实战