人工智能在金融中的应用：机器学习与深度学习在交易中的运用

人工智能交易实践：功能、回溯测试、风险和纸质交易机器人。

讲师：George S Junior

你将学到的内容

• 构建端到端的AI交易系统：数据获取、探索性数据分析（EDA）、特征工程、安全防泄漏分割、滚动测试。
• 训练和调优机器学习/深度学习模型（XGBoost、LSTM、Transformer）用于预测和市场状态检测。
• 使用成本、滑点和风险指标回测事件/新闻、情绪、趋势和配对策略。
• 部署模拟交易机器人，包含头寸管理、波动率目标设定、止损机制、监控系统和伦理规范。

要求

• 好奇心——我们将处理安装、工具和模拟交易设置；无需先修的机器学习或交易经验。

课程描述

将市场理念转化为实用的AI交易系统。在本实践课程中，你将使用Python构建完整流程——从获取实时市场和宏观数据，到特征工程、训练机器学习/深度学习模型、通过防泄漏滚动测试进行验证，以及使用真实成本、滑点和风险控制进行回测。你将实现多种策略（事件/财报及新闻、情绪/NLP、趋势/动量、配对/统计套利），对比XGBoost、随机森林、LSTM和Transformer等模型，并部署带有头寸管理、波动率目标设定和清晰监控仪表盘的模拟交易机器人。我们将逐步使用VS Code/Jupyter进行开发，结合pandas、scikit-learn、PyTorch、yfinance、vectorbt/Backtrader和matplotlib——提供可复用的笔记本、模板和检查清单，使你能将所有内容适配到自己的交易标的和策略创意中。课程结束时你将获得可复现的工作流、可投入使用的项目成果，并建立在上线前安全有效地迭代的自信心。

课程包含实用扩展内容：包含模板仓库的毕业项目、模型可解释性（特征重要性与SHAP风格推理）、错误分析检查清单、超参数调优指南。我们将讲解数据源选择权衡、免费替代付费数据源的方案，以及幸存者偏差等常见陷阱。你将练习版本控制、实验追踪和可复现运行，随后通过市场状态变化测试结果的稳定性。可选扩展内容包括加密货币、期权和投资组合优化。课程提供代码审查、故障排除技巧和学习社区支持。

（仅限教育用途——不保证业绩表现。）

本课程适合谁：

• 本课程适合希望将市场理念转化为代码的自主探索者——包括希望转向系统化交易的散户交易者、寻求金融应用场景的开发者/数据分析师、构建作品集项目的在校生和转行者、以及需要实战ML经验的金融科技专业人士。如果你喜欢通过实践学习——获取真实数据、训练模型、回测策略和模拟交易，那么本课程将非常适合你。无需先修的机器学习或交易经验，我们提供逐步指导。