簡介一份聚焦神經(jīng)網(wǎng)絡在金融時序分析中應用的科研論文PDF面向量化研究、金融建模及機器學習實踐者。資料系統(tǒng)梳理了數(shù)據(jù)預處理環(huán)節(jié)中的異常值檢測與缺失值填補流程重點講解了RBP神經(jīng)網(wǎng)絡補全缺損數(shù)據(jù)、Markowitz均值-方差組合模型優(yōu)化收益風險以及NARX非線性多步預測網(wǎng)絡構建股指預測模型的方法同時結合Python繪制時間序列調和曲線直觀展示數(shù)據(jù)缺失情況。NARX模型采用三層結構隱含層使用高斯激活函數(shù)依據(jù)鏈式偏微分法則調整網(wǎng)絡參數(shù)最終給出平均誤差0.092以內的實證結果。內容還覆蓋了投資組合相關矩陣與協(xié)方差矩陣的評價維度以及過擬合與交叉驗證等實操問題從數(shù)據(jù)清洗、組合評估到模型優(yōu)化形成完整鏈路。資源為單份PDF文件共1個文件壓縮包大小1.83MB已有119人學習瀏覽。對于希望快速理解神經(jīng)網(wǎng)絡選股思路、NARX動態(tài)建模技巧以及風險收益平衡機制的讀者這份材料能提供較清晰的算法推導與實驗參考價值適合作為金融科技、數(shù)據(jù)建模方向的入門研讀或項目參考資料。1. 股指預測不是玄學但網(wǎng)絡選錯、數(shù)據(jù)切錯都會翻車量化圈每隔一段時間就有人曬出“基于神經(jīng)網(wǎng)絡的股指預測與選股”的優(yōu)美曲線點開一看多半是驗證集在漲。做過的人心里都有數(shù)這個方向真正的難點從來不是把模型跑起來而是讓預測嚴格落在未來信息之外讓選股信號在回測里真實可復現(xiàn)。它要解決兩件事——對指數(shù)未來漲跌給出概率判斷再把同一套方法平移到全市場個股上排序選出值得持倉的組合。適合已有Python和基礎機器學習底子、想用深度神經(jīng)網(wǎng)絡替代經(jīng)驗規(guī)則的從業(yè)者。看懂本文你拿到的是一整套從數(shù)據(jù)清洗、特征構造、LSTM訓練到選股驗證的落地路徑而不是一張畫餅的收益曲線。2. 把漲跌裝進監(jiān)督學習問題建模與網(wǎng)絡選型2.1 先定義問題為什么預測方向比預測價格靠譜我最初的做法很幼稚把每天收盤價丟給LSTM讓它輸出明天收盤價。訓練損失降到接近0驗證集擬合得像印上去一樣可實盤一跑就鈍。后來才想明白價格序列是非平穩(wěn)的十年前3000點和現(xiàn)在3000點的含義完全不同。讓網(wǎng)絡去擬合絕對價格等于逼它記下一條長期漂移曲線而對真正要抓的短期相對變化幾乎沒有表達力。常見做法是把它重構成分類問題給定過去N個交易日的特征序列預測未來H個交易日收益率是否大于某個閾值。數(shù)學化一點x_t 是過去N天的特征向量序列y 是未來H日收益率的正負號。為什么是分類而不是回歸因為分類對噪聲更魯棒漲跌方向的信噪比遠高于具體收益數(shù)值同時分類輸出天然能轉成概率為后面選股排序提供同一把尺子。閾值通常設在0.5%到1%之間太大會讓正樣本稀少太小則幾乎全是噪聲標簽。另一個必須想清楚的點是滑窗長度N。對日線數(shù)據(jù)我一般取20個交易日約一個月作為基礎窗口。20這個數(shù)字不是玄學它對應A股月級別趨勢的記憶長度太長會把遠古行情塞進來太短則抓不住均線支撐。窗口定了之后整個數(shù)據(jù)集的樣本量由總交易日減去窗口和預測跨度決定一般能拿到兩千到三千條樣本夠一個中小規(guī)模網(wǎng)絡吃飽。2.2 網(wǎng)絡選型前饋神經(jīng)網(wǎng)絡、LSTM、一維卷積與GNN怎么挑模型選型是新手最容易翻車的地方。一上來就上幾十層Transformer結果驗證集還不如“昨天漲今天就買”的樸素基線。先看前饋神經(jīng)網(wǎng)絡也就是常說的BP神經(jīng)網(wǎng)絡它結構最簡單輸入是一個打平的特征向量經(jīng)過若干隱藏層后接輸出層靠反向傳播更新權重。它的問題在于完全沒有時間順序概念——把第1天的數(shù)據(jù)和第19天的數(shù)據(jù)交換位置模型輸出不變這對行情序列是致命的。用它做序列預測調參再狠準確率也基本在52%以下定位只能是基線對照。循環(huán)神經(jīng)網(wǎng)絡RNN在設計上天生為序列建模但經(jīng)典RNN存在梯度消失長序列記憶很差。LSTM神經(jīng)網(wǎng)絡用輸入門、遺忘門和輸出門把長期信息保存在單元狀態(tài)里是目前RNN最常用的替代。對股指日線這種幾百到幾千個樣本的序列兩層LSTM把小周期波動和大周期趨勢分開建模是最穩(wěn)的起點方案。卷積神經(jīng)網(wǎng)絡在序列預測里的用法比較特別一維卷積神經(jīng)網(wǎng)絡用一維卷積核掃描時間軸提取K線形態(tài)的局部模式比如“連續(xù)三根陽線”“長下影線放量”。它訓練快、不挑數(shù)據(jù)規(guī)模但單用對全局趨勢捕捉弱常見做法是把1D CNN輸出再接LSTM讓CNN提特征、LSTM記時序。圖神經(jīng)網(wǎng)絡GNN是這幾年的熱點把個股之間的關聯(lián)、行業(yè)聯(lián)動建模成圖結構理論上對選股很有吸引力。但圖的構造方式、鄰接矩陣的時效性都很難調數(shù)據(jù)量也不夠支撐入門階段不建議動它等LSTM流水線跑通再研究不遲。我給的選型結論是三步走BP做基線LSTM作為主力模型先把預測做穩(wěn)之后用1D CNNLSTM的復合結構去提特征換取邊際收益。架構對比見表。模型時間順序訓練成本過擬合風險在股指預測中的角色前饋/BP神經(jīng)網(wǎng)絡不支持低中基線對照RNN/LSTM支持中高主力方案一維卷積神經(jīng)網(wǎng)絡局部支持低中特征提取器CNNLSTM支持中高高進階方案圖神經(jīng)網(wǎng)絡GNN支持高高選股擴展2.3 輸入設計只喂收盤價等于讓模型閉眼猜我見過很多人復現(xiàn)代碼訓練數(shù)據(jù)就是一個收盤價序列網(wǎng)絡怎么調都上不去。原因很簡單單序列信息量太低成交量、換手率、振幅、量比、均線偏離這些特征直接關系到參與者情緒和資金行為不加等于少了一整維信息。我常用的特征集按四維組織。第一維度是價格開高低收以及它們衍生出的漲跌幅和振幅。第二維度是量能成交量、成交額、換手率、量比當日成交量與過去5日均量的比值。第三維度是資金指數(shù)層面可以看北向資金凈流入個股層面如果拿不到就用成交額替代。第四維度是技術形態(tài)5日和20日均線偏離度、RSI、布林帶位置。特征不是越多越好這是血淚教訓。原始序列堆到三四十維網(wǎng)絡很快開始背特征驗證集幻覺式上漲。經(jīng)驗上限是20維左右超過的部分該篩就篩。另外所有特征在進網(wǎng)絡前要做標準化量綱不統(tǒng)一會讓LSTM的門控機制失效——比如成交額以億為單位、RSI在0到100之間直接把原始值拼進特征向量梯度會被大數(shù)值特征帶走小數(shù)值特征等于白放。3. 從行情數(shù)據(jù)到訓練樣本特征構造與數(shù)據(jù)集切分3.1 數(shù)據(jù)獲取與清洗停牌、復權和跳空三件事以滬深300指數(shù)日線為例常見做法是用akshare這類免費數(shù)據(jù)接口直接拿數(shù)據(jù)代碼很短import akshare as ak import pandas as pd # 拉取滬深300指數(shù)日線接口返回的列名在不同版本略有差異 raw ak.index_zh_a_hist(symbol000300, perioddaily, start_date20100101, end_date20241231) raw.columns [date, code, open, close, high, low, volume, amount, amplitude, pct_change, change, turnover] # 只保留建模要用的列并按時間升序排列 df raw[[date, open, close, high, low, volume, amount, turnover]].copy() df[date] pd.to_datetime(df[date]) df df.sort_values(date).reset_index(dropTrue) # 有缺失的交易日直接剔除不做填充 df df.dropna().reset_index(dropTrue) print(df.tail())這段代碼的邏輯是先拿全歷史日線再統(tǒng)一列名然后按時間排序最后剔除缺失值。需要說明的是指數(shù)日線本身不存在復權問題但如果把模型平移到個股上一定要用前復權價格否則除權日會出現(xiàn)一個與真實交易無關的假跳空模型會當成重要信號學進去。停牌日同樣要處理常見做法是刪除該日記錄而不是用前后填充值硬補因為補出來的價格不真實。參數(shù)上start_date選2010年而不是更早一是A股早期流動性結構和現(xiàn)在差異大二是數(shù)據(jù)區(qū)間越長行情風格漂移越明顯。對日線級預測10到15年數(shù)據(jù)已經(jīng)能覆蓋兩三輪牛熊再多反而讓模型去擬合早已失效的舊規(guī)則。3.2 特征構造與標簽生成未來5日方向怎么寫才不泄漏特征構造我習慣用向量化操作一次性算完寫在一個函數(shù)里清洗和調試都方便def build_features(df): # 基礎漲跌幅和振幅 df[ret_1d] df[close].pct_change() df[amp] (df[high] - df[low]) / df[close] # 均線偏離度收盤價相對均線的位置 for win in [5, 10, 20]: ma df[close].rolling(win).mean() df[fma_dev_{win}] df[close] / ma - 1 # 量比當日成交量除以5日均量反映放量縮量 df[vol_ratio] df[volume] / df[volume].rolling(5).mean() # RSI(14)常用動量指標 diff df[close].diff() gain diff.clip(lower0).rolling(14).mean() loss (-diff.clip(upper0)).rolling(14).mean() rs gain / (loss 1e-9) df[rsi_14] 100 - 100 / (1 rs) # 標簽未來5日收益率是否超過0.5%作為上漲正樣本 df[future_ret] df[close].shift(-5) / df[close] - 1 df[label] (df[future_ret] 0.005).astype(int) # 刪除因滾動窗口和shift產(chǎn)生的前后缺失行 df df.dropna().reset_index(dropTrue) return df這里有一個關鍵細節(jié)標簽的future_ret用的是close.shift(-5)意味著第t行樣本的標簽只有到t5日收盤后才能確定。真實部署時要格外注意當天收盤后只能做出當天的特征和預測不能用未來數(shù)據(jù)驗證這是很多回測失效的根源。量比、均線偏離、RSI都是無量綱或有界量進入LSTM前不需要再做標準化成交量、成交額這類絕對量則要取對數(shù)或交給StandardScaler。不要把原始成交量直接喂進去幾百億和幾百萬的數(shù)值差距會把梯度推向一個方向小特征直接失效。3.3 按時間切分與標準化訓練集、驗證集、測試集順序不能亂切分股票數(shù)據(jù)不能像圖像分類那樣隨機打亂必須按時間順序硬切import numpy as np def split_sequences(df, feature_cols, seq_len20): data df[feature_cols].values labels df[label].values X, y [], [] for i in range(len(data) - seq_len): win_x data[i:i seq_len] win_y labels[i seq_len - 1] # 窗口內最后一天的標簽 X.append(win_x) y.append(win_y) X np.array(X, dtypenp.float32) y np.array(y, dtypenp.int64) # 按時間順序前70%訓練中間15%驗證最后15%測試 n len(X) idx_train int(n * 0.70) idx_val int(n * 0.85) X_train, y_train X[:idx_train], y[:idx_train] X_val, y_val X[idx_train:idx_val], y[idx_train:idx_val] X_test, y_test X[idx_val:], y[idx_val:] return (X_train, y_train), (X_val, y_val), (X_test, y_test)這里seq_len20代表用最近20個交易日的特征序列預測未來5日方向。特征窗口和標簽窗口前后相接不存在重疊所以每個滑窗樣本的信息只來自窗口內的過去20天。標準化必須在切分之后進行且只能fit訓練集再拿同一組參數(shù)transform驗證集和測試集from sklearn.preprocessing import StandardScaler scaler StandardScaler() n_features X_train.shape[2] X_train_flat X_train.reshape(-1, n_features) scaler.fit(X_train_flat) # 只學訓練集的均值和方差 X_train scaler.transform(X_train_flat).reshape(X_train.shape) X_val scaler.transform(X_val.reshape(-1, n_features)).reshape(X_val.shape) X_test scaler.transform(X_test.reshape(-1, n_features)).reshape(X_test.shape)如果把scaler.fit放在切分前或對整個數(shù)據(jù)集做驗證集和測試集的信息就會泄漏進訓練過程這是時序預測里最隱蔽的坑也是很多模型實驗集指標高得離譜、實盤一塌糊涂的原因。注意標準化一定要在切分之后做。先切分、再fit、再transform這個順序錯了后面的所有評估都失去意義。4. LSTM模型訓練與調參先讓預測穩(wěn)定再談收益4.1 搭建一個可復現(xiàn)的兩層LSTM預測器模型結構我固定成“LSTM層全連接層”代碼短、調試容易也方便后續(xù)把數(shù)據(jù)規(guī)模擴大后換更復雜的結構import torch import torch.nn as nn class LSTMPredictor(nn.Module): def __init__(self, input_size, hidden_size, num_layers, dropout0.3): super().__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout if num_layers 1 else 0.0, ) # 二分類輸出1個logit配合BCEWithLogitsLoss使用 self.fc nn.Linear(hidden_size, 1) def forward(self, x): # x shape: (batch, seq_len, input_size) out, (h_n, c_n) self.lstm(x) # 取最后一個時間步的隱狀態(tài)作為序列表示 last out[:, -1, :] logits self.fc(last).squeeze(-1) return logits參數(shù)含義逐一說清楚input_size是特征維度也就是第3章feature_cols的長度hidden_size是LSTM隱狀態(tài)維度64是起步值再小表達能力不足再大容易過擬合num_layers2分成兩個堆疊層讓網(wǎng)絡先學短周期再學長周期batch_firstTrue表示輸入張量維度順序是(批次, 序列長度, 特征數(shù))PyTorch默認是(序列長度, 批次, 特征數(shù))寫錯就會出現(xiàn)維度報錯。forward里out[:, -1, :]取的是序列最后一個時間步的輸出。有人會把所有時間步的輸出做mean pooling也可以但最后一個時間步的信息最接近預測點實操里效果通常更好。全連接層把隱狀態(tài)壓到1個logit對應二分類如果要換成三分類漲/平/跌把fc輸出維度改成3并把損失函數(shù)換成CrossEntropyLoss即可。4.2 訓練配置學習率、早停與學習率衰減訓練循環(huán)用PyTorch標配寫法加上梯度裁剪、早停和學習率衰減三個機制def train_model(model, train_loader, val_loader, epochs60, lr1e-3, patience10): optimizer torch.optim.Adam(model.parameters(), lrlr, weight_decay1e-5) scheduler torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemin, factor0.5, patience5) criterion nn.BCEWithLogitsLoss() best_val_loss float(inf) best_state None wait 0 for epoch in range(epochs): # 訓練階段 model.train() total_loss 0.0 for xb, yb in train_loader: optimizer.zero_grad() logits model(xb) loss criterion(logits, yb.float()) loss.backward() nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() total_loss loss.item() * xb.size(0) # 驗證階段 model.eval() val_loss 0.0 with torch.no_grad(): for xb, yb in val_loader: logits model(xb) loss criterion(logits, yb.float()) val_loss loss.item() * xb.size(0) scheduler.step(val_loss) # 早停驗證損失連續(xù)patience輪不下降就恢復最佳權重 if val_loss best_val_loss: best_val_loss val_loss best_state {k: v.clone() for k, v in model.state_dict().items()} wait 0 else: wait 1 if wait patience: model.load_state_dict(best_state) print(f早停于 epoch {epoch}) break else: model.load_state_dict(best_state) return model三個關鍵點。第一梯度裁剪clip_grad_norm_是LSTM訓練必須的序列建模的梯度范數(shù)容易爆炸不裁剪loss會突然變成nanmax_norm1.0是保守值想放開可以試2.0。第二weight_decay1e-5做小的L2正則對抗過擬合。第三ReduceLROnPlateau在驗證損失平穩(wěn)時把學習率減半比固定學習率更容易收斂到好的局部極小值。EarlyStopping的patience10輪和scheduler的patience5輪要區(qū)分開scheduler先一步開始降學習率給模型機會跳出平臺期如果降了學習率還改善不了再觸發(fā)早停這比直接早停更穩(wěn)。epochs60只是上限實戰(zhàn)里數(shù)據(jù)量小時往往20到40輪就早停了。4.3 評估預測方向準確率、F1和樸素基線對比訓練完不要只看loss要看預測方向的命中情況。我固定用下面這組指標卡模型from sklearn.metrics import accuracy_score, f1_score, confusion_matrix def evaluate(model, X, y): model.eval() with torch.no_grad(): logits model(torch.tensor(X)) prob torch.sigmoid(logits) pred (prob 0.5).int().numpy() acc accuracy_score(y, pred) f1 f1_score(y, pred) cm confusion_matrix(y, pred) return {accuracy: acc, f1: f1, confusion: cm}除了accuracy我還額外看兩個東西。一是F1分數(shù)因為漲跌樣本經(jīng)常不平衡單邊行情里會嚴重傾斜準確率會被多數(shù)類放大。二是看漲類別的召回率——選股任務里更關心“該漲的股票有沒有被選出來”召回率低說明模型把大量真上漲漏掉了排序選股的意義就大打折扣。最重要的對照實驗是樸素基線直接用“今日收盤漲則預測明天也漲”做規(guī)則準確率大約51%到53%。神經(jīng)網(wǎng)絡如果連這個都超不過別談后面的選股先去查特征和泄漏。當模型在測試集上準確率穩(wěn)定大于55%時方向統(tǒng)計意義上可用想沖到60%以上日線級別的指數(shù)預測很難復現(xiàn)不如轉向選股場景——樣本量從1個指數(shù)變成幾千只股票模型能學到的東西才夠多。5. 時序預測的五個經(jīng)典坑數(shù)據(jù)泄漏、過擬合與失效特征5.1 標準化和標簽里的未來函數(shù)兩個最隱蔽的數(shù)據(jù)泄漏現(xiàn)象訓練完的模型在驗證集上準確率高達80%曲線完美得像資產(chǎn)翻倍可實盤交易幾天就連續(xù)虧損。這是我在這個方向踩過的最大一個坑排查到最后發(fā)現(xiàn)泄漏根本不在模型里而在數(shù)據(jù)處理。原因一有的人在切分數(shù)據(jù)前對整份DataFrame做StandardScaler把驗證集、測試集的均值和方差也學進了轉換參數(shù)。模型等于開卷考試測試數(shù)據(jù)的信息已經(jīng)被編碼進特征分布里驗證集當然好看。原因二標簽構造時誤用未來信息比如用當天的最高最低價來決定當天是否持倉或者用未來復權數(shù)據(jù)反推現(xiàn)在的價格都屬于未來函數(shù)。解決嚴格遵循“先按時間切分再只fit訓練集”兩步法標簽必須由t1日及之后的純未來數(shù)據(jù)計算且特征窗口和標簽窗口之間不能有重疊。我現(xiàn)在的代碼里專門寫了一條斷言測試集樣本的時間戳必須全部晚于訓練集跑數(shù)前先校驗寧可報錯也不要帶病訓練。5.2 過擬合與隨機種子為什么兩次訓練結果差很多現(xiàn)象訓練集loss一路降到0.1以下驗證集loss在某個epoch后突然反彈或者模型輸出基本只有“漲”一類。另一個現(xiàn)象是同一份數(shù)據(jù)、同一個腳本兩次訓練的準確率能差3到5個百分點這讓回測和調參都不可信神經(jīng)網(wǎng)絡在這里表現(xiàn)得像個黑匣子。原因hidden_size設到256甚至512LSTM層數(shù)加到3層以上再加上全連接層后參數(shù)量輕松過千萬而日線樣本量只有兩三千條模型直接背題。隨機種子不固定是另一個隱形原因PyTorch的DataLoader默認shuffleTrue加上沒有固定torch.manual_seed每個epoch的樣本順序都在變訓練結果自然漂移。解決從LSTM兩層、hidden_size64起步dropout0.3加早停和梯度裁剪在腳本開頭固定torch.manual_seed(42)、np.random.seed(42)DataLoader里設置generator。如果調大參數(shù)量要同步增加正則強度并把訓練集樣本擴到1萬條以上否則就是拿參數(shù)量換幻覺。5.3 類別不平衡與回測滑點選股信號失效的兩個放大器現(xiàn)象把模型從指數(shù)平移到全市場個股后Top20組合的回測年化收益很高但實盤跟單跑不贏有的月份還跑輸指數(shù)。原因一全市場個股的漲跌分布并非均衡。指數(shù)成分股在震蕩市大約五成交易日上漲但個股端牛市里上漲占比可到60%以上。模型用默認閾值0.5做分類時會把大量邊緣上漲判成下跌選股排名的區(qū)分度被壓縮。原因二回測只按收盤價成交沒扣手續(xù)費和滑點。A股雙邊費率加滑點一般在萬三到萬五5日換倉一次一年約50次換手成本累計吃掉3到5個點預測本身只有55%左右的準確率這點優(yōu)勢很容易被交易成本抹平。解決對類別做加權或降低判斷閾值回測里每筆成交強制扣除雙邊費用至少扣萬五再算凈收益選股周期不要短于5個交易日換手越頻繁成本越敏感。我現(xiàn)在的做法是預測概率只用于排序排名穩(wěn)定后再結合基本面做人工過濾不盲目相信分數(shù)本身。5.4 特征失效與行情漂移模型不是訓一次用一年現(xiàn)象模型在測試集上準確率56%照此跑了一個月第二個月開始連續(xù)低于50%Top20組合跑不贏指數(shù)。很多人第一反應是“模型壞了”其實只是市場風格變了。原因日線特征均線、RSI、量比在趨勢市有效進入震蕩市后特征分布整體偏移模型學到的是舊風格下的規(guī)律。行情風格漂移不是異常而是常態(tài)用固定模型去對抗漂移等于拿去年的地圖找今年的路。解決滾動重訓每月底用最近12個月數(shù)據(jù)重新訓練一次同時對特征分布做監(jiān)控比如計算特征均值、方差的變化幅度一旦超過閾值就觸發(fā)重訓。這是我做這個方向最持續(xù)的維護成本也是想長期投入必須接受的現(xiàn)實模型是一個需要定期保養(yǎng)的工具不是一勞永逸的印鈔機。6. 從預測分數(shù)到選股組合用RankIC評估選股能力6.1 用預測概率排序構建等權組合訓練好模型后等收盤拿到當日全市場股票特征逐只推理出上漲概率按概率從高到低排序取前20只等權持有5個交易日scores [] for stock_df in all_stocks: # 每只股票的特征序列 prob predict(model, stock_df) # 取sigmoid后的概率 scores.append(prob) # 按概率降序取前20只等權分配資金 picks sorted(range(len(scores)), keylambda i: -scores[i])[:20] weight 1 / 20等權是為了不把賭注押在單只股票上。排序而不是設閾值選股是因為模型校準不一定完美——概率絕對值可能有偏但相對排名在同類股票之間更穩(wěn)定。6.2 RankIC與分組回測看排序能力不看準確率選股模型的評價指標和預測模型不一樣準確率只說明“漲跌命中”選股還看重“概率高的是不是真的漲更多”。我固定用下一期收益和預測概率的Spearman相關系數(shù)也就是RankIC來判斷RankIC區(qū)間判斷大于0.05較好的選股能力值得繼續(xù)投入0.03到0.05有一定區(qū)分度可小倉位驗證0到0.03統(tǒng)計不顯著先回去查特征泄漏小于0模型在反向選擇立即停用我自己的習慣是每天盤中跑完選股后把Top20組合收益和全市場平均收益對比連續(xù)跟蹤4到8周看超額收益是否穩(wěn)定為正。這個頻率能過濾掉單個月的行情運氣也比訓練一次看一個測試集更接近實盤真相。這個方向值得做但它不是一夜暴富的捷徑靠的是把數(shù)據(jù)、特征、回測紀律一件件磨到位。我自己也栽過“驗證集75%、實盤虧損”的跟頭后來才明白時序預測里最大的敵人不是模型容量而是無處不在的未來信息。希望你在這個方向上少走幾步彎路。本文還有配套的精品資源點擊獲取