完整工作流
从原始数据、标签、特征、模型到回测、成本、风险与部署，一条路走到底，而不是零散的技术清单。
Machine Learning for Trading / ML4T · Stefan Jansen
Machine Learning for Trading 教程：从数据到实盘的机器学习交易
Machine Learning for Trading（ML4T）不是「让 AI 告诉你明天买哪只股票」，而是把选股拆成数据、特征、模型、信号与回测几个步骤，再一步步走到实盘。它是 Stefan Jansen 的《Machine Learning for Trading》第 3 版代码仓库，27 章、9 个案例、6 个生产级 Python 库，适合想系统学习机器学习交易、并最终把策略跑起来的研究者与开发者。
项目来源
项目页面显示约 20.7k Star；该数字会随社区活动变化，采集日期为 2026-08-28。
查看固定版本源码
27 章6 大部分 + 引言/结语
9 案例ETF/加密/股票/期权/外汇/期货
6 个库ml4t-data/engineer/models/diagnostic/backtest/live
20.7k starsMIT 协议，GitHub 社区活跃
What it solves
Machine Learning for Trading 能解决什么问题？
它把「一个交易想法 → 数据 → 特征 → 模型 → 回测 → 实盘」整理成一条可复现的端到端工作流，并明确划出「探索 vs 确认」的证据边界，帮你避免回测里最常见的过拟合与多重检验陷阱。
证据边界
用 walk-forward 交叉验证、Deflated Sharpe Ratio、White's Reality Check 等方法把调参与评估分开，对抗过拟合。
可运行案例
9 个案例（ETF、加密永续、美股、期权、外汇、期货）跑同一套 pipeline，展示方法在不同市场哪里有效、哪里失效。
How it works
六阶段理解：从数据到实盘
首页只保留理解所需的六步，详细章节见架构页，模型细节见模型页，策略细节见策略页。
1. 金融数据
市场、基本面、另类数据与合成数据，用 Polars 处理，Parquet/DuckDB 存储。
2. 研究与特征
定义学习任务、标签工程、特征工程与多重检验控制。
3. 模型开发
从线性基线到 GBDT、深度时序、潜因子与因果机器学习。
4. 策略实现
回测即证伪，加组合构建、交易成本与风险管理。
5. 高级 AI
强化学习、RAG、知识图谱与自主 Agent 用于执行、对冲与研究。
6. 生产部署
实盘交易系统（IB/Alpaca/QuantConnect）与 MLOps 治理。
Setup and route
自建 ML4T 还是用 EasyClaw 量化 Skill 路线？
同一个研究目标，两种准备成本。完整对比见对比子页。
装 Docker/WSL2→下数据→跑 notebook→训练回测
约 16 GB 环境 + 4 GB 免费数据；Windows 必须走 WSL2；灵活但环境、数据源与前置都要自己维护。
安装 EasyClaw→一句话提问
Skill 的数据源、Token、网络与市场覆盖各不相同；不代表 ML4T 已集成 EasyClaw。
集成边界：Machine Learning for Trading 是 GitHub 书+代码仓库，与 EasyClaw 无已证实集成。EasyClaw 内置的是独立量化研究 Skill（量化分析、财经数据、技术分析等），仅作免部署替代路线对比。
EasyClaw in action
免部署：一句话发起量化研究
以下为 EasyClaw 对话截图，演示用内置 Skill 一句话完成行情数据、技术分析与条件选股，与上方 ML4T 自建的「Docker/WSL2 + 16GB + 数据下载」形成对比。
FAQ
常见问题
Machine Learning for Trading 是什么？
它是 Stefan Jansen《Machine Learning for Trading》第 3 版的配套代码仓库（MIT 协议），把机器学习交易拆成数据、特征、模型、策略、高级 AI 与生产六阶段，27 章 + 9 个可运行案例 + 6 个生产级 Python 库。
Machine Learning for Trading 需要编程基础吗？
需要。它是面向 Python 开发者的教学仓库，涉及 Docker/WSL2/uv 环境、Jupyter notebook 与 scikit-learn/PyTorch/LightGBM 等库，官方文档面向有 Python 与机器学习经验的用户。
Machine Learning for Trading 在 EasyClaw 中能用吗？
无已证实集成。ML4T 与 EasyClaw 没有官方集成证据；EasyClaw 内置的是独立量化研究类 Skill（如量化分析、财经数据、技术分析、选股等），两者是独立路线。
安装 Machine Learning for Trading 要多大空间？
本地 uv 路径约 16 GB（11 GB 环境 + 4 GB 免费数据 + 0.9 GB git 历史），免费数据下载约 12 分钟；跳过 firm-characteristics 数据集可约 75 MB 起步。Docker 路径自带环境，无需编译依赖。
Machine Learning for Trading 的回测结果可信吗？
回测结果仅代表历史表现，涉及数据、参数、成本与市场环境假设；官方强调用 walk-forward 与 Deflated Sharpe Ratio 等方法控制过拟合，不构成收益保证或投资建议。