01
课程导论与项目全景
汇率预测为什么难？机器学习能做什么？课程目标与最终项目展示。
全景导论
02
环境准备与工具链
Python环境、Jupyter Notebook、Pandas、Scikit-learn、TensorFlow/PyTorch安装与验证。
环境工具
03
汇率数据获取
使用Yahoo Finance API (yfinance) 获取历史汇率数据，数据清洗与初步探索。
数据API
04
数据可视化基础
使用Matplotlib和Seaborn绘制汇率走势图、移动平均线、波动率图。
可视化Matplotlib
05
特征工程(上)：技术指标
RSI、MACD、布林带、ATR，并用Pandas实现。
技术指标Pandas
06
特征工程(下)：宏观特征
宏观经济特征——利率差、CPI、GDP增长率数据的获取与对齐。
宏观经济
07
数据预处理
处理缺失值、异常值检测、数据标准化/归一化、时间序列平稳性检验(ADF检验)。
预处理ADF
08
监督学习框架
将时间序列转化为监督学习问题——滑动窗口法，构造X(特征)和y(标签)。
滑动窗口监督
09
基线模型：线性回归
线性回归预测汇率——实现、评估(MSE, MAE, R2)、与“傻瓜预测”对比。
基线线性回归
10
决策树与随机森林
RandomForestRegressor进行汇率预测，特征重要性分析。
随机森林特征重要性
11
支持向量机(SVR)
SVR在汇率预测中的应用，核函数选择与参数调优。
SVR核函数
12
XGBoost与LightGBM
梯度提升树模型实战，超参数搜索(GridSearchCV/RandomizedSearchCV)。
XGBoostLightGBM
13
模型评估与验证
时间序列交叉验证(TimeSeriesSplit)、回测框架搭建、过拟合诊断。
交叉验证回测
14
深度学习入门：MLP
从MLP开始——用Keras搭建全连接网络预测汇率。
MLPKeras
15
循环神经网络(RNN)
SimpleRNN原理与实现，处理序列数据的局限性。
RNN序列
16
LSTM与GRU
长短期记忆网络详解，用LSTM预测汇率——单步与多步预测。
LSTMGRU
17
Seq2Seq与Attention机制
编码器-解码器结构，注意力机制如何提升长期依赖捕捉能力。
Seq2SeqAttention
18
CNN for Time Series
时序卷积网络(TCN)，一维卷积在汇率特征提取中的应用。
TCNCNN
19
混合模型：CNN-LSTM
CNN-LSTM、ConvLSTM——结合卷积与循环网络的优点。
混合ConvLSTM
20
Transformer与时间序列
时间序列Transformer架构，位置编码，实战实现。
Transformer位置编码
21
集成学习与模型融合
Stacking、Blending、简单平均/加权平均，提升预测稳定性。
集成Stacking
22
超参数自动调优
Optuna、Hyperopt、贝叶斯优化在深度学习模型中的应用。
调优Optuna
23
多步预测策略
递归预测、直接预测、多输出预测、Seq2Seq预测，优缺点对比。
多步策略
24
不确定性量化
使用Dropout作为贝叶斯近似，预测区间估计，蒙特卡洛Dropout。
不确定性Dropout
25
实战项目(上)：数据准备
从2000年至今的EUR/USD数据，特征工程全流程。
实战EUR/USD
26
实战项目(中)：模型对比
线性模型、树模型、LSTM、Transformer，统一评估标准。
对比评估
27
实战项目(下)：集成优化
Stacking融合，超参数调优，最终模型选择。
集成优化
28
模型部署基础
将训练好的模型保存为ONNX/Pickle，使用Flask搭建简单的预测API。
部署Flask
29
回测系统搭建
模拟真实交易环境，计算夏普比率、最大回撤、胜率，评估策略有效性。
回测夏普比率
30
课程总结与进阶方向
课程知识图谱回顾，强化学习在汇率交易中的应用，论文推荐与下一步学习路径。
总结进阶