手机 / PWA V3: Ch1–10 Ch11–27 待发缺章→V2

机器学习量化交易
中文学习地图

有第 3 版代码用 main；尚未发布的章节用 second-edition。可「添加到主屏幕」当 App 打开，进度保存在本机。

看发布状态 48h 上手装到桌面

0已发布章节状态

核对仓库：stefan-jansen/machine-learning-for-trading main 快照日期：2026-07-14 V3 代码目录：Ch01–Ch10

怎么读这张状态板

V3 已发布 → 在 main 学 · V2 可补 → second-edition 有对应 notebook · 等 V3 → 第2版也无整章，先 primers / 等 main

第 3 版 27 章（main）

汇总

✅ 现在用 V3 main

Ch1–10：过程、数据宇宙、微观结构、基本面/另类、合成数据、策略研究框架、学习任务、金融特征、模型特征、文本特征 + case_studies/

⏳ 缺章用 V2

Ch11–14、16–17、21 等有清晰 V2 目录；Ch15、18–19、22–26 等 V3 新增或 V2 很弱，以 primers + 等发布为主。

更新方式

上游发布新 part 后，把本页状态板对应章改成「V3 已发布」，并迁回 main 用九案例重跑。Watch 上游仓库即可感知更新。

1这是什么？

一句话

不是模型大全，而是研究→生产工艺：可回测、可计成本、可管风险、可上线、可监控，并用证据边界防自欺。

书与仓库

Stefan Jansen《Machine Learning for Trading》第 3 版配套代码。本指南基于官方仓库 main 公开材料重组。

2版本策略

默认规则

有 V3 目录 → main
main 没有 → second-edition 对照目录
V3 发布后 → 迁回 main，用九案例 + 新栈重跑
证据边界 / 工艺纪律始终以 V3 Ch1·Ch6 为准

# 推荐两个目录，环境分开
git clone https://github.com/stefan-jansen/machine-learning-for-trading.git ml4t-v3
git clone -b second-edition https://github.com/stefan-jansen/machine-learning-for-trading.git ml4t-v2

V2≈pandas/TF/Zipline；V3≈Polars/PyTorch/ml4t-*。不要混在同一环境硬跑。

3缺章对照表

V3	状态	先用	V2 目录
Ch1–10	V3	main	可选加深
Ch11 线性基线	待发	V2	`06` `07_linear_models`
Ch12 提升树	待发	V2	`11` `12_gradient_boosting…`
Ch13 时序 DL	待发	V2	`17` `18` `19`
Ch14 隐因子	待发	V2	`13` `20_autoencoders…`
Ch15 因果	待发	等V3	无整章
Ch16 回测	待发	V2	`08_ml4t_workflow`
Ch17 组合	待发	V2	`05_strategy_evaluation`
Ch18–19 成本/风控	待发	部分	V3 新增整章
Ch20 综合	待发	自写	`23_conclusions`
Ch21 RL	待发	V2	`22_deep_reinforcement…`
Ch22–24 AI	待发	等V3	NLP 可用 14–16
Ch25–26 生产	待发	等V3	—
Ch27 收束	待发	可选	`23_conclusions`

4核心思想

长期存活靠可修正的研究过程，不是更炫的模型。

证据边界

探索区可试错；确认区 holdout 封存，禁止偷看再调参。没有边界，只有好看曲线。

策略 ≠ 信号（Ch6）

策略是决策时刻可执行过程。模型诊断 / 信号诊断 / 策略结果要分开看。

5失败模式速查

夏普离谱、高换手仍赚

查成本/未来价 · Ch16–18 · V2:08

财报进特征后 IC 暴涨

查点时间 · Ch2/4

随机 CV 好、前向崩

查 walk-forward / purging · Ch6–7

试了 200 组参数仍好看

查多重检验 · Deflated Sharpe

IC 正但组合不赚

查成本/仓位映射 · Ch16–18

股票池一直很强

查幸存者偏差 · Ch2

复杂模型样本外崩

查基线门槛 · Ch11/V2:07

研究准、实盘漂

查 training-serving skew · 等 Ch25–26

648 小时最小路径

环境 + 免费数据（V3）

git clone https://github.com/stefan-jansen/machine-learning-for-trading.git ml4t-v3
cd ml4t-v3
cp .env.example .env
# Docker 推荐：
docker compose pull ml4t && docker compose up ml4t
# 或：uv sync
uv run python data/download_all.py --free-only
uv run python 01_process_is_edge/factor_regimes.py
uv run python 06_strategy_definition/01_cv_foundations.py

毕业标准

环境可进 · load_etfs() 成功
能解释 walk-forward vs 随机 K 折
选定案例 case_studies/etfs

7安装到手机桌面

已部署到 Cloudflare Pages

正式地址： https://ml4t-guide.pages.dev/ （HTTPS，可直接装桌面 App）

重要

「添加到主屏幕」需要 https:// 打开本页。不要用文件管理器的 file://。

iPhone / iPad（Safari）

用 Safari 打开 ml4t-guide.pages.dev
点底部分享按钮 □↑
选 添加到主屏幕 → 添加
主屏幕出现「ML4T指南」，全屏打开

检测到 iOS：请用 Safari 打开本页，点分享 → 添加到主屏幕。

Android（Chrome / Edge）

Chrome 打开本页（或 Pages 地址）
菜单 ⋮ → 安装应用 / 添加到主屏幕
或点页面底部的「安装」按钮

本地预览 / 再发布（可选）

cd E:\Projects\mltrade\ml4t-guide
npm run deploy   # 构建 dist 并推到 Cloudflare Pages

8环境要点

默认镜像 ml4t；GPU / py312 / benchmark 仅少数 notebook
Windows：先 WSL2 Ubuntu 再 Docker；仓库放 ~/ 不要 /mnt/c
V2 按 installation/README.md 单独配环境

9数据分层（量级）

层级	约	内容
Minimum	~70MB	ETF / Crypto / Factors · 起步
Standard	~75MB	+ Macro / FX（部分 free key）
+Equities	~740MB	美股日频（约至 2018）
Full	~7GB	微观 / 期权等

案例首选：case_studies/etfs（免费）。期货 Databento 先 --estimate-only。

10三条路径

默认

A · 扎实从业者

V3 Ch1–8 → V2 的 06/07/11/12 与 08/05 → 唯一案例 ETF → 等 V3 上线再迁回。业余约 8–14 周（有 Python/ML 基础）。

研究

B · 因子深挖

A + V3 Ch4/9/10 + V2 隐因子/无监督 → 等 V3 Ch14–15。

选修

C · 深度 / AI

先有 A。DL/RL 可先 V2 17–22；RAG/Agent/MLOps 等 V3。

11路径 A 周历

48h 最小路径（V3）

环境 · free 数据 · regime · CV · 选 ETF

W1–2

心智 + 数据 + 微观（V3）

Ch1–3 · 证据边界草稿

W3–4

章程 + 标签（V3）

Ch6–7 · 冻结评估协议

W5–6

特征 v1（V3）

Ch8 · 点时间审计

W7–8

线性基线（缺章→V2）

V2 06 + 07_linear_models

W9–10

树 / 提升（缺章→V2）

V2 11 + 12_gradient_boosting

W11–12

回测 + 组合（缺章→V2）

V2 08 + 05；成本自查

W13+

复盘 · 等 V3 迁回

kill 规则 · Watch 上游 · 新章用九案例重跑

12分阶段路线图

阶段 0–2 · V3 已发布主干

Ch1–10

Ch01–05

过程 · 数据 · 微观 · 基本面 · 合成

工艺地基与数据质量。

main: 01_… – 05_synthetic_data/

Ch06–10

研究框架 · 标签 · 特征 · 文本

先定游戏规则再建模。

main: 06_… – 10_text_feature_engineering/

阶段 3 · 模型

Ch11–15 · 多数字 V2

Ch11

线性基线

V2: 06_machine_learning_process · 07_linear_models

Ch12

GBDT / 表格

V2: 11_decision_trees… · 12_gradient_boosting…

Ch13

时序 DL

路径C · V2: 17 · 18 · 19

Ch14

隐因子

路径B · V2: 13 · 20_autoencoders…

Ch15

因果 ML

等 V3 · primers

阶段 4 · 策略

Ch16–20

Ch16

回测

V2: 08_ml4t_workflow

Ch17

组合

V2: 05_strategy_evaluation

Ch18–19

成本 · 风控

V3 新增整章 → primers + 自建规则，等 main

Ch20

综合

自写复盘 · 可选 V2:23

阶段 5 · 高级 AI

Ch21–24

Ch21

V2: 22_deep_reinforcement_learning

Ch22–24

RAG · 图谱 · Agent

等 V3 · NLP 底子 V2:14–16

阶段 6 · 生产

Ch25–27

Ch25–26

实盘 · MLOps

等 V3 · 勿用 V2 冒充实盘教材

Ch27

收束

可选 V2:23 · 最终以 V3 为准

13九大案例（V3）

第一次只串一个：建议 case_studies/etfs。

案例	目录	数据门槛
ETFs	`etfs`	免费 ⭐
美股截面	`us_equities_panel`	Free key
公司特征	`us_firm_characteristics`	免费较大
FX	`fx_pairs`	Free key
期货	`cme_futures`	付费
加密永续	`crypto_perps_funding`	免费
NASDAQ 微观	`nasdaq100_microstructure`	Soon/付费
股+期权 / 期权	`sp500_…`	Soon 等

14术语速查

点时间 Point-in-time

只用当时可知信息。

前视 Lookahead

未来泄漏进过去决策。

Walk-forward

按时间滚动验证。

Purging / Embargo

去掉标签重叠 + 时间缓冲。

预测相关；≠ 扣费后夏普。

Deflated Sharpe

对试错次数打折的夏普。

Evidence boundary

探索与确认防火墙。

Kill switch

异常急停 / 降仓。

16资源与免责

免责

机器学习量化交易
中文学习地图

0已发布章节状态

第 3 版 27 章（main）

汇总

✅ 现在用 V3 main

⏳ 缺章用 V2

1这是什么？

书与仓库

2版本策略

3缺章对照表

4核心思想

5失败模式速查

648 小时最小路径

环境 + 免费数据（V3）

7安装到手机桌面

iPhone / iPad（Safari）

Android（Chrome / Edge）

本地预览 / 再发布（可选）

8环境要点

9数据分层（量级）

10三条路径

A · 扎实从业者

B · 因子深挖

C · 深度 / AI

11路径 A 周历

12分阶段路线图

阶段 0–2 · V3 已发布主干

阶段 3 · 模型

阶段 4 · 策略

阶段 5 · 高级 AI

阶段 6 · 生产

13九大案例（V3）

14术语速查

15检查清单

W0 · 48h

主干 + 缺章

版本迁移

16资源与免责