量化交易模型训练与调参技巧

📚 共计 30 章节

量化交易模型概述

什么是量化交易模型、模型在交易中的作用、模型训练与调参的核心流程。

数据预处理与特征工程

数据清洗、缺失值处理、标准化与归一化、特征选择与降维。

特征工程清洗

基础模型选择

线性回归、逻辑回归、决策树、随机森林在量化交易中的应用场景。

回归树模型

时间序列模型

ARIMA、GARCH、Prophet模型的原理与实战。

深度学习模型入门

LSTM、GRU、Transformer在股价预测中的应用。

深度学习股价

强化学习与交易

DQN、PPO算法在自动交易策略中的应用。

强化学习自动交易

模型评估指标

夏普比率、最大回撤、年化收益率、信息比率详解。

过拟合与欠拟合

诊断方法、正则化技术、交叉验证策略。

正则化泛化

超参数调优基础

网格搜索、随机搜索、贝叶斯优化的原理与实现。

贝叶斯优化实战

使用Hyperopt、Optuna进行自动化调参。

贝叶斯自动调参

遗传算法调参

DEAP库实现遗传算法优化交易策略参数。

集成学习调参

Bagging、Boosting、Stacking的参数优化技巧。

学习率调度

余弦退火、循环学习率、OneCycleLR在训练中的应用。

学习率调度

批量大小与优化器选择

SGD、Adam、AdamW的调参经验。

损失函数设计

自定义损失函数处理交易中的不平衡数据。

损失不平衡

特征重要性分析

SHAP、LIME、Permutation Importance在模型解释中的应用。

可解释性SHAP

回测框架搭建

Backtrader、Zipline、自定义回测引擎的调参集成。

滚动窗口训练

时间序列交叉验证、Walk-Forward Optimization实战。

滚动交叉验证

多目标优化

同时优化收益与风险的多目标调参方法。

多目标帕累托

模型融合策略

加权平均、投票法、元学习在交易中的调参。

融合元学习

对抗训练与鲁棒性

FGSM、PGD攻击下的模型参数调整。

将复杂模型压缩为轻量模型时的调参技巧。

分布式训练调参

多GPU、TPU训练时的批量大小与学习率调整。

混合精度训练

FP16与BF16训练中的参数缩放策略。

混合精度FP16

早停法与模型检查点

基于验证集性能的自动停止与保存策略。

早停检查点

数据增强技术

时间序列的噪声注入、时间扭曲、幅度缩放。

模型部署调参

ONNX导出、TensorRT优化时的精度与速度平衡。

自动化机器学习

AutoML框架（AutoGluon、TPOT）在量化交易中的应用。

AutoML自动化

实盘与回测差异处理

滑点、手续费、流动性对参数的影响及调整。

模型监控与自适应调参

在线学习、概念漂移检测与参数动态更新。

监控自适应