[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-bradleyboyuyang--ML-HFT":3,"tool-bradleyboyuyang--ML-HFT":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",154349,2,"2026-04-13T23:32:16",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":78,"difficulty_score":88,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":97,"github_topics":98,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":118},7321,"bradleyboyuyang\u002FML-HFT","ML-HFT"," High frequency trading (HFT) framework built for futures using machine learning and deep learning techniques","ML-HFT 是一个专为期货市场打造的高频交易框架，旨在利用机器学习和深度学习技术，从复杂的二级订单簿数据中挖掘交易信号并预测市场动态。它主要解决了传统量化策略在处理高频率、深层次盘口数据时特征提取困难及模型适配性不足的痛点，提供了一套从数据清洗、因子构建到模型训练的完整流水线。\n\n该工具特别适合量化研究员、算法工程师以及对高频交易感兴趣的开发者使用。用户可以直接基于新加坡交易所 FTSE 中国 A50 指数期货的 Tick 深度数据进行实验，快速验证策略想法。ML-HFT 的独特亮点在于其精细的特征工程能力，不仅内置了深度比率、订单簿不平衡（OBI）等核心指标，还支持加权平均等高级信号生成技巧。在模型层面，它既提供了随机森林、SVM 等经典机器学习算法作为基准，也预留了接入 LSTM、CNN、XGBoost 等前沿深度学习模型的接口，方便研究者进行对比优化与迭代，是探索数据驱动型高频策略的理想起点。","## High Frequency Trading Framework with Machine\u002FDeep Learning\n\nIn this project, we provide a framework\u002Fpipeline for high frequency trading using machine\u002Fdeep learning techniques. More advanced feature engineering (with depth trade and quote data) and models (such as pre-trained models) can be applied in this framework.\n\n### Target\n- Extract trading signals from level-II orderbook data\n- Predict orderbook dynamics using machine learning and deep learning techniques\n\n### Data\nThe SGX FTSE CHINA A50 INDEX Futures (新加坡交易所FTSE中国A50指数期货) tick depth data are used.\n\n### Strategy Pipline\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_5cfe9f402d59.png\" width=\"650\">\n  \n### Orderbook Signals\nWe use limit orderbook data to develop trading signals, including **Depth Ratio**, **Rise Ratio**, and **Orderbook Imbalance (OBI)**.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_7cf0040a617f.png\" width=\"650\"> \n  \n### Price Series\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_dfde0015e66d.png\" width=\"750\">\n\n### Feature Engineering & HFT Factors Design\n- Simple average depth ratio and OBI:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_2475aafe291b.png\" width=\"750\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_c873d02f5db8.png\" width=\"750\">\n\n- Weighted average depth ratio, OBI, and rise ratio:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_d1368bdd884b.png\" width=\"750\">\n \n ### Model Fitting\n- Basic Models:\n  *  RandomForestClassifier\n  *  ExtraTreesClassifier\n  *  AdaBoostClassifier\n  *  GradientBoostingClassifier\n  *  Support Vector Machines\n  *  Other classifiers: Softmax, KNN, MLP, LSTM, etc.\n\n- Hyperparameters:\n  * Training window: 30min\n  * Test window: 10sec\n  * Prediction label: 15min forward\n   \n### Performance Metrics\n- Prediction accuracy:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_c2074b75d42f.png\" width=\"750\">\n\n- Prediction Accuracy Series:\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_9288983e09c4.png\" width=\"800\">\n\n- Cross Validation Mean Accuracy:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_bd842f8307a9.png\" width=\"800\">\n\n- Best Model:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_a9569f74df7e.png\" width=\"800\">\n\n   \n### PnL Visualization\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_a7daa387f194.png\" width=\"800\">\n    \n### Improvements\n\n**Feature Engineering**\n\nOther potentially useful signals:\n- volume imbalance signal\n- trade imbalance signal\n- technical indicators of bid and ask series (RSI, MACD...)\n- WAP\u002FWPR, weighted average price, VWAP, TWAP\n- .....\n\nSignal generating techniques:\n- consider different weights on different level of orderbook data for a particular signal\n- consider moving average with period n (hyperparameter)\n- consider weighted average of signals, such as weighted average of trade imbalance and orderbook imbalance\n- Lasso regression, genetic programming\n- .....\n \n**Models**\n\nThis project only provides a baseline. More advanced models are welcomed:\n- CNN\n- GRU\u002FLSTM\n- XGBoost, AdaBoost, GBDT, LightGBM\n- Attention, Auto-encoder\n- TabNet\n- Pre-trained models\n- .....\n\n**Performance Metrics**\n\nThe performance metrics are subject to amendment, including the PnL calculation, commission fee consideration, etc.\n\n","## 基于机器学习\u002F深度学习的高频交易框架\n\n在该项目中，我们提供了一个利用机器学习和深度学习技术进行高频交易的框架\u002F流程。在此框架中，可以应用更高级的特征工程（结合深度买卖盘数据）以及更复杂的模型（如预训练模型）。\n\n### 目标\n- 从二级订单簿数据中提取交易信号\n- 利用机器学习和深度学习技术预测订单簿动态\n\n### 数据\n使用的是新加坡交易所FTSE中国A50指数期货的逐笔深度数据。\n\n### 策略流程\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_5cfe9f402d59.png\" width=\"650\">\n  \n### 订单簿信号\n我们使用限价订单簿数据来构建交易信号，包括**深度比率**、**上涨比率**和**订单簿失衡（OBI）**。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_7cf0040a617f.png\" width=\"650\"> \n  \n### 价格序列\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_dfde0015e66d.png\" width=\"750\">\n\n### 特征工程与HFT因子设计\n- 简单平均深度比率和OBI：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_2475aafe291b.png\" width=\"750\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_c873d02f5db8.png\" width=\"750\">\n\n- 加权平均深度比率、OBI和上涨比率：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_d1368bdd884b.png\" width=\"750\">\n \n ### 模型拟合\n- 基础模型：\n  * 随机森林分类器\n  * 极端随机树分类器\n  * 自适应增强分类器\n  * 梯度提升分类器\n  * 支持向量机\n  * 其他分类器：Softmax、KNN、MLP、LSTM等。\n\n- 超参数：\n  * 训练窗口：30分钟\n  * 测试窗口：10秒\n  * 预测标签：未来15分钟\n   \n### 性能指标\n- 预测准确率：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_c2074b75d42f.png\" width=\"750\">\n\n- 预测准确率序列：\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_9288983e09c4.png\" width=\"800\">\n\n- 交叉验证平均准确率：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_bd842f8307a9.png\" width=\"800\">\n\n- 最佳模型：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_a9569f74df7e.png\" width=\"800\">\n\n   \n### PnL可视化\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_readme_a7daa387f194.png\" width=\"800\">\n    \n### 改进方向\n\n**特征工程**\n\n其他潜在有用的信号：\n- 成交量失衡信号\n- 交易失衡信号\n- 买盘和卖盘序列的技术指标（RSI、MACD等）\n- WAP\u002FWPR、加权平均价、VWAP、TWAP\n- ……\n\n信号生成技术：\n- 可以为特定信号考虑不同层级订单簿数据的不同权重\n- 可以引入周期为n的移动平均线（作为超参数）\n- 可以对多种信号进行加权平均，例如将交易失衡与订单簿失衡加权平均\n- Lasso回归、遗传编程\n- ……\n\n**模型**\n\n本项目仅提供了一个基准框架。欢迎尝试更先进的模型：\n- CNN\n- GRU\u002FLSTM\n- XGBoost、AdaBoost、GBDT、LightGBM\n- 注意力机制、自编码器\n- TabNet\n- 预训练模型\n- ……\n\n**性能指标**\n\n性能指标有待进一步完善，包括PnL计算、手续费考虑等方面。","# ML-HFT 快速上手指南\n\nML-HFT 是一个基于机器学习和深度学习的高频交易（HFT）框架，旨在从 Level-II 订单簿数据中提取交易信号并预测订单簿动态。本项目默认使用新加坡交易所（SGX）FTSE 中国 A50 指数期货的 Tick 深度数据。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n- **操作系统**：Linux (推荐 Ubuntu\u002FCentOS) 或 macOS\n- **Python 版本**：Python 3.8 或更高版本\n- **前置依赖**：\n  - `pip` (Python 包管理工具)\n  - `git` (代码版本控制)\n  - 基础科学计算库支持\n\n建议创建一个独立的虚拟环境以避免依赖冲突：\n\n```bash\npython3 -m venv ml-hft-env\nsource ml-hft-env\u002Fbin\u002Factivate  # Windows 用户使用: ml-hft-env\\Scripts\\activate\n```\n\n## 安装步骤\n\n1. **克隆项目仓库**\n\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002F\u003Cusername>\u002FML-HFT.git\n   cd ML-HFT\n   ```\n\n2. **安装 Python 依赖**\n\n   项目依赖主要包括 `scikit-learn`, `pandas`, `numpy`, `tensorflow\u002Fpytorch` (用于深度学习模型) 等。\n\n   *国内用户推荐使用清华或阿里镜像源加速安装：*\n\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n   如果项目中未提供 `requirements.txt`，请手动安装核心库：\n\n   ```bash\n   pip install pandas numpy scikit-learn matplotlib seaborn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   # 如需使用深度学习模型 (LSTM, CNN 等)，请额外安装：\n   pip install tensorflow torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n3. **数据准备**\n\n   将 SGX FTSE CHINA A50 INDEX Futures 的 Tick 深度数据放置在项目指定的数据目录中（通常为 `.\u002Fdata` 或 `.\u002Fdataset`，具体请参考项目内脚本配置）。数据格式需符合框架要求的 Level-II 订单簿结构。\n\n## 基本使用\n\n以下是最简单的流程示例，涵盖特征工程、模型训练及评估。\n\n### 1. 运行特征工程与信号提取\n\n执行主脚本以生成订单簿信号（如 Depth Ratio, OBI, Rise Ratio）并进行特征工程：\n\n```bash\npython main.py --mode feature_engineering --data_path .\u002Fdata\u002Fsgx_a50_tick.csv\n```\n\n### 2. 训练基准模型\n\n使用内置的机器学习模型（如 RandomForest, XGBoost 等）进行训练。默认训练窗口为 30 分钟，测试窗口为 10 秒，预测未来 15 分钟的价格标签。\n\n```bash\npython main.py --mode train --model RandomForestClassifier --train_window 30 --test_window 10 --label_horizon 15\n```\n\n支持的其他模型包括：`ExtraTreesClassifier`, `AdaBoostClassifier`, `GradientBoostingClassifier`, `SVM`, `MLP`, `LSTM` 等。\n\n### 3. 评估与可视化\n\n训练完成后，脚本将自动输出预测准确率、交叉验证结果及损益（PnL）可视化图表：\n\n- **预测准确率序列**：查看单日的预测表现。\n- **交叉验证均值**：评估模型稳定性。\n- **PnL 曲线**：直观展示策略的理论收益。\n\n生成的图表将保存在 `.\u002Fimages` 或 `.\u002FGraph` 目录下。\n\n### 4. 进阶自定义\n\n您可以修改 `config.py` 或直接通过命令行参数调整以下高级选项：\n- **特征优化**：添加成交量不平衡信号、技术指标 (RSI, MACD) 或加权平均价格 (VWAP)。\n- **模型替换**：集成预训练模型、Attention 机制或 TabNet。\n- **绩效指标**：调整手续费计算逻辑或滑点设置。\n\n```bash\n# 示例：使用 LSTM 模型并开启加权特征\npython main.py --mode train --model LSTM --use_weighted_features True\n```","某量化团队正在针对新加坡交易所的 FTSE 中国 A50 指数期货开发高频做市策略，急需从毫秒级的 Level-II 订单簿数据中挖掘有效的交易信号。\n\n### 没有 ML-HFT 时\n- **特征提取粗糙**：团队仅能依靠人工编写简单的深度比或不平衡指标，难以捕捉订单簿深层复杂的非线性动态变化。\n- **模型迭代缓慢**：每次尝试新的机器学习算法（如 LSTM 或 XGBoost）都需要从头搭建数据管道，重复造轮子导致研发周期长达数周。\n- **回测验证困难**：缺乏统一的评估框架，无法快速在 30 分钟训练窗口与 10 秒测试窗口的严苛设定下验证策略的泛化能力，实盘风险高。\n\n### 使用 ML-HFT 后\n- **信号挖掘深入**：直接利用框架内置的工程化模块，自动计算加权深度比、上升比率等高级因子，精准预测订单簿短期走势。\n- **建模效率飞跃**：依托现成的流水线，团队成员可一键切换随机森林、LSTM 或 TabNet 等多种模型进行对比实验，将策略原型验证时间缩短至小时级。\n- **决策依据可靠**：通过框架提供的交叉验证均值准确率及 PnL 可视化图表，清晰识别过拟合风险，确保策略在扣除手续费后仍具盈利空间。\n\nML-HFT 将高频交易策略的研发从繁琐的基础设施构建中解放出来，让团队能专注于核心算法的优化与超额收益的获取。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbradleyboyuyang_ML-HFT_7cf0040a.png","bradleyboyuyang","Yang-Boyu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fbradleyboyuyang_118fcdc3.jpg","Quantitative Researcher","@point72","New York",null,"https:\u002F\u002Fgithub.com\u002Fbradleyboyuyang",[81],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",100,570,131,"2026-04-09T18:49:54",4,"","未说明",{"notes":92,"python":90,"dependencies":93},"README 中未明确列出具体的运行环境需求（如操作系统、Python 版本、硬件配置或具体依赖库版本）。该项目是一个高频交易框架，支持从基础机器学习模型（如随机森林、SVM）到高级深度学习模型（如 LSTM、CNN、TabNet）。用户需根据所选用的具体模型自行安装相应的深度学习框架（如 PyTorch 或 TensorFlow）及优化库。数据源为新加坡交易所 FTSE 中国 A50 指数期货的 Level-II 订单簿数据。",[94,95,96],"scikit-learn (RandomForest, ExtraTrees, AdaBoost, GradientBoosting, SVM, KNN)","深度学习框架 (支持 MLP, LSTM, CNN, GRU)","XGBoost\u002FLightGBM (推荐)",[16,14],[99,100,101,102,103,104],"high-frequency-trading","machine-learning","deep-learning","orderbook-imbalance","orderbook-tick-data","futures","2026-03-27T02:49:30.150509","2026-04-14T12:31:39.821075",[108,113],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},32886,"如何理解买卖信号的标签逻辑？为什么当前买价（Bid）大于最小卖价（Ask）会被标记为买入信号？","如果当前买价长期低于最佳卖价，意味着很难从该交易中获利（因为买入订单需要跨越较大的价差）。\n\n相反，如果当前买价高于最小卖价，可能存在两种情况：\n1. 买卖价同时下跌：此时交易本身不会亏损，但若价格继续下跌可能会亏损（当然若价格反转则获利）。\n2. 买卖价差变窄：这表明卖压增加，降低了你跨越价差的成本。\n\n需要注意的是，这个标签并不一定直接代表“买入信号”，但准确预测这一状态是有益的。该项目完成时间较早，许多细节可以进一步改进，建议自行探索更多的标签选择。","https:\u002F\u002Fgithub.com\u002Fbradleyboyuyang\u002FML-HFT\u002Fissues\u002F2",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},32887,"什么是“上涨比率”（Rise Ratio）特征，它是如何计算的？","“上涨比率”特征可以理解为带有滚动周期（以秒为单位）的滞后回报率。滚动周期由参数 \"before_time\" 定义（例如设置为 360 秒或更长），用户可自行调整。\n\n具体计算逻辑如下：\n1. 对于时间索引大于 \"before_time\" 的数据：直接查找滞后价格并计算回报率作为因子值。\n2. 对于时间索引小于 \"before_time\" 的数据：由于没有足够的历史滞后数据，直接使用起始时刻（如 9:00）的卖价（ask price）来计算滞后回报率即可。\n\n在该项目中，仅使用了 ask_price1 的滞后回报作为一个特征，因为这被认为已经提供了足够的信息，但你也可以尝试对其他价格数据进行类似处理。","https:\u002F\u002Fgithub.com\u002Fbradleyboyuyang\u002FML-HFT\u002Fissues\u002F1",[]]