梯度提升
多数案例中最强的表格模型（XGBoost/LightGBM/CatBoost），通常先试它。
Machine Learning for Trading / Models
Machine Learning for Trading 模型：从线性基线到强化学习
第 3 版用五个模型家族应用到同一个 9 案例集，每个都在线性基线上构建——先在正则化线性模型上过关，再决定是否值得上更复杂的模型。重点不是「哪个算法更炫」，而是「哪种模型在哪个市场、什么频率下真能带来增量」。
GBDTXGBoost/LightGBM/CatBoost
深度时序PatchTST/iTransformer/TSMixer
表格DLTabPFN/TabM
因果MLDouble ML/贝叶斯结构时序
强化学习最优执行/做市/深度对冲
生成式AIRAG/知识图谱/Agent
Toolkit
模型工具箱一览
以下模型名与范围来自官方 README（2026-08 核验）。
| 模型家族 | 代表实现 | 适用场景 |
|---|---|---|
| 正则化线性基线 | Ridge / LASSO / Elastic Net / Logistic | 每个后续模型必须打败的基线；SHAP 解释 + 共形预测 |
| 梯度提升 | XGBoost / LightGBM / CatBoost + Optuna | 多数案例中最强的表格模型；TreeSHAP 可解释 |
| 深度时序 | LSTM / N-BEATS / PatchTST / iTransformer / TFT / TSMixer / TCN / Mamba | 时序预测，讨论何时深度学习真有用、何时简单模型足够 |
| 表格深度学习 | TabPFN / TabM | 表格数据的深度替代方案 |
| 潜因子模型 | PCA 特征组合 / IPCA / 条件与监督自编码器 / 对抗 SDF | 收益曲线分解与因子定价 |
| 因果机器学习 | Double ML / 贝叶斯结构时间序列 / PCMCI / NOTEARS / VAR-LiNGAM | 分离因子真实效应与伪相关、事件影响 |
| 强化学习 | DQN / PPO / SAC / PFHedge | 最优执行、带库存做市、深度对冲 |
| 生成式 AI | RAG（SEC filings）/ 知识图谱 Graph RAG / 自主多智能体 | 金融研究、多智能体预测、生产可靠性 |
Process
模型开发流程
官方强调方法学严谨：用 walk-forward 交叉验证，把调参与评估分开。
定义学习任务
标签工程（forward returns、triple-barrier、trend scanning）+ 单变量特征评估（信息系数、分位数分析）。
建基线
先用正则化线性模型（Ridge/LASSO/Elastic Net）作为每个后续模型必须打败的基线。
试复杂模型
GBDT（Optuna 多目标调参）、深度时序、潜因子、因果 ML，逐个对比交叉数据集结果。
控制过拟合
Deflated Sharpe Ratio、Rademacher Anti-Serum、White's Reality Check 处理多重检验与过拟合。
不确定性估计
共形预测给出诚实的预测区间，而非点估计。
说明：模型输出用于研究，不构成确定性信号或收益保证；深度模型只在简单基线之上有增量时才值得采用。
Model → task
每个模型家族能干什么交易任务
把模型翻译成交易任务，比背「随机森林/强化学习介绍」更接近真实用法。
| 模型家族 | 典型交易任务 | 输出 |
|---|---|---|
| 正则化线性 | 预测收益方向、因子打分 | 可解释的基线信号 + SHAP |
| 梯度提升 | 生成交易信号（最强表格模型） | 信号 + TreeSHAP 特征重要性 |
| 深度时序 | 时序预测、波动率预测 | 预测序列 + 不确定性 |
| 潜因子模型 | 收益曲线分解、因子定价 | 因子载荷与 SDF |
| 因果机器学习 | 分离真实效应与伪相关、事件影响 | 因果效应估计 |
| 强化学习 | 最优执行、带库存做市、深度对冲 | 策略/执行策略 |
| 生成式 AI | SEC 文件问答、多跳推理、多智能体研究 | 研究结论而非直接下单 |
What wins
哪个模型更强？官方交叉数据集结论
第 3 版把五类模型应用到同一个 9 案例集，给出「视市场与频率而定」的实证结论，而非空谈。
深度时序
直接讨论 LTSF-Linear 之争：很多时候简单模型足够，深度学习在长序列/大样本/复杂非线性才占优。
潜因子
给出「何时潜因子增加预测价值」的交叉数据集证据，而非无脑叠加。
关键认知：官方反复强调「方法学严谨优先于模型复杂度」——先过线性基线、walk-forward CV、Deflated Sharpe Ratio，复杂模型只在有增量时才值得。这些工具详见策略页。
FAQ
常见问题
哪个模型最好？
官方结论是「视市场与频率而定」：多数案例中梯度提升是最强表格模型，但深度时序、潜因子是否带来增量取决于具体数据；没有万能模型。
为什么要先建线性基线？
线性模型可解释、稳健、训练快；任何复杂模型必须先证明能打败它，否则不值得为复杂度买单。
深度学习和梯度提升怎么选？
第 13 章直接讨论 LTSF-Linear 之争：很多时候简单模型够用；深度学习在长序列、大样本、复杂非线性上才更有优势。
因果机器学习解决什么问题？
把「真实效应」与「伪相关」分开：Double ML 隔离因子处理效应，贝叶斯结构时间序列评估事件影响，因果发现（PCMCI/NOTEARS）找因果方向。
RAG/知识图谱/Agent 和交易有什么关系？
它们是第 3 版新增，用于研究端：RAG 基于 SEC filings 检索问答、知识图谱做多跳推理、自主 Agent 做多智能体研究，而非直接下单。