Part 3：机器学习
本阶段目标：从模型到 Agent。 理解机器学习在量化中的正确用法，以及如何从"预测模型"进化到"决策 Agent"。
课程列表
| 课程 | 主题 | 交付物 |
|---|---|---|
| 第09课 | 监督学习在量化中的应用 | ML 策略框架、IC/IR 评估 |
| 第10课 | 从模型到 Agent | 单 Agent 策略模块 |
背景知识
| 文档 | 说明 | 建议阅读时间 |
|---|---|---|
| LLM量化研究进展 | 大模型在量化领域的最新应用 | 15分钟 |
| Triple Barrier标签方法 | 用止盈止损定义 ML 标签 | 15分钟 |
| 时间序列交叉验证（Purged CV） | 防止时间序列信息泄漏 | 15分钟 |
| 强化学习在交易中的应用 | RL 算法与交易的结合 | 20分钟 |
| 另类数据（NLP与卫星） | 文本情绪、卫星图像等非传统数据 | 15分钟 |
| Meta-Labeling方法 | 二级模型预测信号可靠性 | 15分钟 |
| 特征工程常见陷阱 | 未来泄漏、过拟合等常见错误 | 10分钟 |
| 机器学习在金融中的限制 | 信噪比低、分布漂移等核心挑战 | 15分钟 |
| 模型架构选择指南 | LSTM/GRU/Transformer/CNN 对比、RL 算法选择 | 20分钟 |
| 模型漂移与再训练 | K-S/CUSUM 漂移检测、再训练触发与策略 | 20分钟 |
| MLOps基础设施 | Feature Store、Model Registry、Drift Monitor | 30分钟 |
| 前沿ML与RL方法（2025） | Decision Transformer、AlphaAgent、GNN、扩散模型等SOTA技术 | 30分钟 |
学完本阶段后
你将能够：
- ✅ 理解为什么"预测价格"是错误的目标
- ✅ 设计正确的标签（Triple Barrier Method）
- ✅ 理解 Agent 的核心组成：State、Action、Reward、Environment
- ✅ 构建一个能生成交易信号的单 Agent 策略
下一阶段
→ Part 4：多智能体 - 构建协作的 Agent 系统