FIN-221 | Spring 2025 | Machine Learning in Finance | Quantopian

课程概览

本课程系统探讨机器学习在金融领域的理论与实践，聚焦数据治理、策略开发、回测验证等核心环节。通过平衡理论与工程实践，揭示机器学习在量化交易中的真实能力边界，重点解决金融场景下的过拟合、生存偏差、非平稳性等特殊挑战。适合具备统计学与编程基础（Python/R）的量化研究员、资管从业者及学术研究者。

课程模块与知识体系

模块1：金融数据工程（3周）

1. 金融数据结构化
   • Tick数据聚合、因子库构建、非同步交易数据处理
   • 高频数据特征：报价跳变、微观结构噪声滤除
2. 标签设计与样本权重
   • 三重屏障法（Triple Barrier Method）定义交易信号
   • 时间衰减权重应对市场状态迁移
3. 特征分析与选择
   • Meta-Labeling框架下的特征重要性评估
   • 对抗特征筛选（对抗性验证检测信息泄漏）

模块2：模型构建与验证（4周）

1. 集成学习方法
   • 随机森林与梯度提升树在因子合成中的对比
   • 堆叠泛化（Stacking）整合基本策略信号
2. 金融场景交叉验证
   • Purged K-Fold方法消除前瞻偏差
   • 时间序列交叉验证的滚动窗口设计
3. 超参数优化陷阱
   • 过拟合风险：Walk-Forward优化 vs 网格搜索
   • 参数稳定性检验（参数敏感性分析）

模块3：策略回测与风控（3周）

1. 回测引擎设计
   • 事件驱动回测 vs 向量化回测的算力权衡
   • 滑点模型：固定滑点 vs 订单簿仿真
2. 回测统计量体系
   • 收益指标：夏普比率、Calmar比率、策略容量
   • 风险指标：最大回撤、VaR、策略拥挤度监测
3. 策略风险拆解
   • 过拟合概率估计（Deflated Sharpe Ratio）
   • 蒙特卡洛交叉验证（Monte Carlo PnL分布分析）

模块4：前沿应用专题（2周）

1. 机器学习资产配置
   • 风险平价模型（Risk Parity）的神经网络优化
   • 带交易约束的强化学习动态调仓
2. 微观结构特征挖掘
   • 订单流失衡（Order Flow Imbalance）预测短期价格
   • 限价订单簿动态的LSTM建模