深度学习做量化交易神经网络、CNN 与 Transformer 的实战选型指南【免费下载链接】machine-learning-for-tradingCode for Machine Learning for Trading, 3rd edition — from data sourcing to live execution.项目地址: https://gitcode.com/GitHub_Trending/ma/machine-learning-for-trading想靠深度学习交易赚钱最大的坑往往不在模型本身而在数据、标签和评估方式。开源项目 machine-learning-for-trading《机器学习交易》第三版配套代码把从数据获取到实盘部署的完整流程做成了可复现的 notebook其中第 13 章 13_dl_time_series 集中展示了 MLP、1D-CNN、LSTM、Transformer、TCN、Mamba 这些架构在金融时间序列上怎么训练、怎么比较、以及什么时候其实不如一个线性模型。这篇文章不打算再给你画一条漂亮的回测曲线而是按项目自己的节奏把神经网络能不能在交易里打出优势拆成四步先喂数据再跑基线然后看 CNN 的图像化路线最后用不确定性和跨案例证据决定信不信它。 网络不缺架构缺的是好的输入特征和标签怎么准备先说结论动手写第一层网络之前你得先回答两个问题——输入里放什么、标签怎么打。项目把特征按数据来源分成三档仅价格动量、反转、微观结构、跨标的carry、相对价值、期权隐含波动率、外部上下文基本面、日历事件、宏观每个特征家族都标了适用频率和角色——是发信号的还是描述市场状态的。这张分类图可以直接当你的特征清单入口在 08_financial_features/。标签是另一个容易被忽略的坑。项目实现了三重障碍法入场后同时挂上轨、下轨和一条时间屏障轨道宽度按波动率缩放先碰哪条就记哪类——1、-1 或 0。这样打出来的标签天然和波动率挂钩不会出现高波动标的标签更稀疏的失衡。具体做法见 07_defining_the_learning_task/ 里的 label methods 一节。数据喂好了、标签打好了下一个问题才轮到架构先训练哪个 先跑 MLP 和线性模型再谈 Transformer说实话这一章最值钱的 notebook 可能是最无聊的那个01_core_architectures 把 MLP、1D-CNN、LSTM、GRU 放在同一批 ETF 序列上训练横轴训练时间、纵轴预测度Spearman IC。结论很直接LSTM 按时间逐步计算序列拉长一倍、耗时约翻倍精度却不会线性增长——这正是 TCN 和状态空间模型想绕开的瓶颈。更狠的是大辩论一节Zeng 等人发现长序列预测里Linear、D-Linear、N-Linear 这类简单线性模型能打赢 Transformer03_great_debate 在 SPY 日线收益上复现了这个结果。所以项目定下的标准很硬任何复杂架构必须先打赢强基线复杂度才有资格被讨论。N-BEATS 的趋势加季节性分解、TCN 的膨胀卷积、Mamba 的线性复杂度都是按这个标准被评估的而不是因为论文新。基线都跑不过的话换架构也没用如果你还是想给 CNN 一条看图像的进场路线项目里有一条更野的路。️ 把一段时间序列变成一张图让 CNN 做回归传统做法是把价格序列直接丢给 1D 卷积但 08_cnn_image_encoding 走的是图像编码路线先用 GAFGramian Angular Fields把窗口内两两时间点的角度关系编码成一张二维图再用 MTFMarkov Transition Fields把离散状态间的转移概率编码成另一张两个通道叠成多通道图像标准 CNN 在上面做回归目标仍是前向收益。这里有个细节很关键它的对比对象不是无而是把图像像素摊平后直接喂 RidgePCA 的线性基线。CNN 只有在打赢这个同样信息量的对手时才算真的从图像结构里学到了东西。做法在 13_dl_time_series/08_cnn_image_encoding.ipynb跑通之后你对CNN 在金融序列上为什么有效、或为什么没效会有具体答案而不是一句空话。信号出来了样本外看着也还行。但真拿钱之前还差一层这个数可信吗 单点预测不够用不确定性估计和跨案例证据交易要的不只是明天涨还是跌还有我有多确定。10_uncertainty 实现两条互补路线MC Dropout 在推理时保持 dropout 开启、多次前向取分布Deep Ensembles 训练 5 个独立初始化的 LSTM 取投票。原始散布还要经过 conformal 校准才能变成覆盖率可控的区间再拿去驱动仓位——对应的风控落点在 19_risk_management/。最后一剂清醒来自 12_case_study_insights它把九个案例研究里所有深度模型的 walk-forward 结果聚到一起和 Ridge、GBM、TabM 这些表格基线对账画面相当克制——深度学习只在很窄的一片区域明确占优简单序列模型经常赢过更花哨的架构。所以选模型的依据应该是问题结构和数据量而不是论文发布日期的新鲜度。如果你只有一个周末建议的顺序是先跑 13_dl_time_series/ 里的 01_core_architectures 拿到基线曲线再跑 08_cnn_image_encoding 看图像编码能不能打赢它的线性对手最后用 10_uncertainty 把区间校准好——顺序不能反基线没打赢之前后面的复杂度都是装饰。代码可从git clone https://gitcode.com/GitHub_Trending/ma/machine-learning-for-trading获取。【免费下载链接】machine-learning-for-tradingCode for Machine Learning for Trading, 3rd edition — from data sourcing to live execution.项目地址: https://gitcode.com/GitHub_Trending/ma/machine-learning-for-trading创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
深度学习做量化交易：神经网络、CNN 与 Transformer 的实战选型指南
深度学习做量化交易神经网络、CNN 与 Transformer 的实战选型指南【免费下载链接】machine-learning-for-tradingCode for Machine Learning for Trading, 3rd edition — from data sourcing to live execution.项目地址: https://gitcode.com/GitHub_Trending/ma/machine-learning-for-trading想靠深度学习交易赚钱最大的坑往往不在模型本身而在数据、标签和评估方式。开源项目 machine-learning-for-trading《机器学习交易》第三版配套代码把从数据获取到实盘部署的完整流程做成了可复现的 notebook其中第 13 章 13_dl_time_series 集中展示了 MLP、1D-CNN、LSTM、Transformer、TCN、Mamba 这些架构在金融时间序列上怎么训练、怎么比较、以及什么时候其实不如一个线性模型。这篇文章不打算再给你画一条漂亮的回测曲线而是按项目自己的节奏把神经网络能不能在交易里打出优势拆成四步先喂数据再跑基线然后看 CNN 的图像化路线最后用不确定性和跨案例证据决定信不信它。 网络不缺架构缺的是好的输入特征和标签怎么准备先说结论动手写第一层网络之前你得先回答两个问题——输入里放什么、标签怎么打。项目把特征按数据来源分成三档仅价格动量、反转、微观结构、跨标的carry、相对价值、期权隐含波动率、外部上下文基本面、日历事件、宏观每个特征家族都标了适用频率和角色——是发信号的还是描述市场状态的。这张分类图可以直接当你的特征清单入口在 08_financial_features/。标签是另一个容易被忽略的坑。项目实现了三重障碍法入场后同时挂上轨、下轨和一条时间屏障轨道宽度按波动率缩放先碰哪条就记哪类——1、-1 或 0。这样打出来的标签天然和波动率挂钩不会出现高波动标的标签更稀疏的失衡。具体做法见 07_defining_the_learning_task/ 里的 label methods 一节。数据喂好了、标签打好了下一个问题才轮到架构先训练哪个 先跑 MLP 和线性模型再谈 Transformer说实话这一章最值钱的 notebook 可能是最无聊的那个01_core_architectures 把 MLP、1D-CNN、LSTM、GRU 放在同一批 ETF 序列上训练横轴训练时间、纵轴预测度Spearman IC。结论很直接LSTM 按时间逐步计算序列拉长一倍、耗时约翻倍精度却不会线性增长——这正是 TCN 和状态空间模型想绕开的瓶颈。更狠的是大辩论一节Zeng 等人发现长序列预测里Linear、D-Linear、N-Linear 这类简单线性模型能打赢 Transformer03_great_debate 在 SPY 日线收益上复现了这个结果。所以项目定下的标准很硬任何复杂架构必须先打赢强基线复杂度才有资格被讨论。N-BEATS 的趋势加季节性分解、TCN 的膨胀卷积、Mamba 的线性复杂度都是按这个标准被评估的而不是因为论文新。基线都跑不过的话换架构也没用如果你还是想给 CNN 一条看图像的进场路线项目里有一条更野的路。️ 把一段时间序列变成一张图让 CNN 做回归传统做法是把价格序列直接丢给 1D 卷积但 08_cnn_image_encoding 走的是图像编码路线先用 GAFGramian Angular Fields把窗口内两两时间点的角度关系编码成一张二维图再用 MTFMarkov Transition Fields把离散状态间的转移概率编码成另一张两个通道叠成多通道图像标准 CNN 在上面做回归目标仍是前向收益。这里有个细节很关键它的对比对象不是无而是把图像像素摊平后直接喂 RidgePCA 的线性基线。CNN 只有在打赢这个同样信息量的对手时才算真的从图像结构里学到了东西。做法在 13_dl_time_series/08_cnn_image_encoding.ipynb跑通之后你对CNN 在金融序列上为什么有效、或为什么没效会有具体答案而不是一句空话。信号出来了样本外看着也还行。但真拿钱之前还差一层这个数可信吗 单点预测不够用不确定性估计和跨案例证据交易要的不只是明天涨还是跌还有我有多确定。10_uncertainty 实现两条互补路线MC Dropout 在推理时保持 dropout 开启、多次前向取分布Deep Ensembles 训练 5 个独立初始化的 LSTM 取投票。原始散布还要经过 conformal 校准才能变成覆盖率可控的区间再拿去驱动仓位——对应的风控落点在 19_risk_management/。最后一剂清醒来自 12_case_study_insights它把九个案例研究里所有深度模型的 walk-forward 结果聚到一起和 Ridge、GBM、TabM 这些表格基线对账画面相当克制——深度学习只在很窄的一片区域明确占优简单序列模型经常赢过更花哨的架构。所以选模型的依据应该是问题结构和数据量而不是论文发布日期的新鲜度。如果你只有一个周末建议的顺序是先跑 13_dl_time_series/ 里的 01_core_architectures 拿到基线曲线再跑 08_cnn_image_encoding 看图像编码能不能打赢它的线性对手最后用 10_uncertainty 把区间校准好——顺序不能反基线没打赢之前后面的复杂度都是装饰。代码可从git clone https://gitcode.com/GitHub_Trending/ma/machine-learning-for-trading获取。【免费下载链接】machine-learning-for-tradingCode for Machine Learning for Trading, 3rd edition — from data sourcing to live execution.项目地址: https://gitcode.com/GitHub_Trending/ma/machine-learning-for-trading创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
