令人惊叹的量化机器学习交易

专注于机器学习的量化/算法交易资源。

我已排除任何我认为质量较低的资源。

:star: - 我的最爱

金融机器学习

书籍

• :star: 马科斯·洛佩斯·德·普拉多 - 金融机器学习进展 [链接]。
• :star: 霍华德·B·班迪博士 - 定量技术分析：交易系统开发与交易管理的综合方法 [链接]
• 托尼·圭达 - 量化投资中的大数据与机器学习 [链接]
• :star: 迈克尔·霍尔斯-摩尔 - 高级算法交易 [链接]
• 扬内斯·克拉斯 - 金融机器学习：面向市场的数据算法及面向金融专家和经济学从业者的深度学习基础 [链接]
• 斯特凡·扬森 - 算法交易中的实战机器学习：利用Python生态系统设计并实施智能投资策略以分析市场行为 [链接]
• 阿里·N·阿坎苏等 - 金融信号处理与机器学习 [链接]
• 大卫·阿伦森 - 基于证据的技术分析：将科学方法与统计推断应用于交易 [链接]
• 大卫·阿伦森 - 用于金融工具算法交易的统计学上可靠的机器学习 [链接]
• 欧内斯特·P·陈 - 机器交易：部署计算机算法征服市场 [链接]

在线系列与课程

在我看来，针对交易的机器学习在线课程选择非常有限。

• Udacity、佐治亚理工学院 - 用于交易的机器学习 [链接]

• Udacity、WorldQuant - 用于交易的人工智能 [链接]

• Coursera、纽约大学 - 金融领域的机器学习与强化学习专项课程（与交易关联较弱）

  • Coursera、纽约大学 - 金融领域机器学习导览 [链接]
  • Coursera、纽约大学 - 金融领域机器学习基础 [链接]
  • Coursera、纽约大学 - 金融领域的强化学习 [链接]
  • Coursera、纽约大学 - 金融领域强化学习高级方法概述 [链接]

YouTube视频

• :star: 西拉杰·拉瓦尔 - 关于使用深度学习进行股市预测的视频 [链接]
• QuantInsti YouTube - 关于交易中机器学习的网络研讨会 [链接]
• :star: Quantopian - 关于交易中机器学习的网络研讨会 [链接]
• Sentdex - 用于外汇和股票分析以及算法交易的机器学习 [链接]
• Sentdex - 面向金融领域的Python编程（包含少量机器学习内容） [链接]
• QuantNews - 算法交易中的机器学习三部曲 [链接]
• :star: 霍华德·班迪 - 机器学习交易系统开发网络研讨会 [链接]
• 欧内斯特·陈 - 量化交易中的机器学习网络研讨会 [链接]
• 日本Alpaca公司CTO原田仁史 - 金融领域的深度学习演讲 [链接]
• Prediction Machines - 金融领域使用Python进行深度学习的演讲 [链接]
• 埃塞克斯大学硕士论文答辩 - 分析限价订单簿：一种深度学习方法 [链接]
• 塔克·巴尔奇 - 将深度强化学习应用于交易 [链接]
• 克里什·奈克 - 机器学习教程及其在股票预测中的应用 [链接]

博客与内容网站

• :star: Quantstart - 有关交易中机器学习的文章 [链接]
• :star: Quantopian - 与机器学习相关的统计学讲座笔记 [链接]
• :star: Quantopian - 标记为“机器学习”的教程和笔记本 [链接]
• Synthical，一个由人工智能驱动的研究协作平台 [链接]
• AAA Quants，汤姆·斯塔克的博客 [链接]
• RobotWealth，克里斯·朗莫尔的博客 [链接]
• Quantsportal，雅克·朱贝尔的博客 [链接]
• Blackarbs博客 [链接]
• Hardikp，哈迪克·帕特尔的博客 [链接]

访谈

• :star: 与交易员对话 EP042 - 贝特·穆勒：机器学习在算法交易中的应用 [链接]
• :star: 与交易员对话 EP142 - 贝特·穆勒：利用自动化克服人类弱点的算法交易者 [链接]
• 与交易员对话 EP147 - 汤姆·施塔克：侦探式研究如何催生可行的交易策略 [链接]
• :star: 与交易员对话 Quantopian 5 - 马克斯·马尔热诺：机器学习在金融领域的良好应用 [链接]
• 与交易员对话 EP131 - 摩根·斯莱德：机器学习驱动的交易策略 [链接]
• 更好的系统交易员 EP023 - 投资组合经理迈克尔·希梅尔谈人工智能与机器学习在交易中的应用 [链接]
• :star: 更好的系统交易员 EP028 - 大卫·阿伦森分享关于识别牛市与熊市指标的研究 [链接]
• 更好的系统交易员 EP082 - 克里斯·朗莫尔谈机器学习 [链接]
• :star: 更好的系统交易员 EP064 - 贝特·穆勒：加密货币与机器学习 [链接]
• 更好的系统交易员 EP090 - 迈克尔·霍尔斯-摩尔分享量化团队设计算法策略的方法 [链接]

论文

• :star: 詹姆斯·卡明——算法交易领域中强化学习技术应用的研究 [链接]
• :star: 马科斯·洛佩斯·德·普拉多——大多数机器学习基金失败的十个原因 [链接]
• 熊卓然等——股票交易的实用深度强化学习方法 [链接]
• 戈登·里特——用于交易的机器学习 [链接]
• J.B.希顿等——金融领域的深度学习：深度投资组合 [链接]
• 贾斯汀·西里尼亚诺等——金融市场中价格形成的一般特征：来自深度学习的视角 [链接]
• 马尔西亚尔·梅斯默——深度学习与预期收益率的横截面关系 [链接]
• :star: 马科斯·洛佩斯·德·普拉多——机器学习的十大金融应用（演示文稿） [链接]
• :star: 马科斯·洛佩斯·德·普拉多——金融机器学习的神话与现实（演示文稿） [链接]
• 阿图尔·塞普——波动率交易中的机器学习（演示文稿） [链接]
• 马科斯·洛佩斯·德·普拉多——机器学习时代的市场微观结构 [链接]
• 乔纳森·布罗加德——机器学习与股票市场 [链接]
• 钱新尧——金融序列预测：时间序列模型与机器学习方法精度的比较 [链接]
• 米兰·菲丘拉——利用k近邻、岭回归和前馈神经网络预测外汇汇率变动 [链接]
• 塞缪尔·埃德特——递归神经网络在预测标普500指数中的应用 [链接]
• 阿敏·赫达亚蒂等——基于人工神经网络的股市指数预测 [链接]
• 杰伊迪普·森等——一种稳健的股票价格预测模型 [链接]
• O.B.塞泽尔等——基于人工神经网络、技术分析和大数据框架的股票交易系统 [链接]
• 丽提卡·辛格等——利用深度学习进行股票预测 [链接]
• 托马斯·菲舍拉等——使用长短期记忆网络进行金融市场预测的深度学习 [链接]
• R.C.卡瓦尔坎特等——计算智能与金融市场：综述及未来方向 [链接]
• E.钟等——用于股市分析与预测的深度学习网络：方法论、数据表示及案例研究 [链接]
• 黄建义——将金融交易视为游戏：一种深度强化学习方法 [链接]
• W.鲍等——基于堆叠自编码器和长短时记忆网络的金融时间序列深度学习框架 [链接]
• 周兴宇等——利用生成对抗网络对高频数据进行股市预测 [链接]
• 冯富利等——通过对抗训练提升股票走势预测能力 [链接]
• Z.赵等——重新定义标签的时间加权LSTM模型用于股票趋势预测 [链接]
• 阿瑟·勒卡尔韦兹、戴夫·克利夫——深度学习可在限价订单簿型金融市场中复制适应性交易者 [链接]
• 当莲敏等——基于双流门控循环单元网络的短期股票趋势预测深度学习方法 [链接]
• 邓悦等——用于金融信号表示与交易的深度直接强化学习 [链接]
• 肖忠——一套全面的聚类与分类挖掘流程，用于每日股市收益预测 [链接]
• J.张等——一种新型的数据驱动型股票价格趋势预测系统 [链接]
• 艾山·侯赛因扎德等——CNNPred：基于卷积神经网络并结合多种数据源的股市预测 [链接]
• 郑惠静等——遗传算法优化的长短时记忆网络用于股市预测 [链接]
• 白有珍等——ModAugNet：一种新的股市指数值预测框架，包含防过拟合LSTM模块和预测LSTM模块 [链接]
• 拉贾什里·达什等——一种融合技术分析与机器学习技术的混合型股票交易框架 [链接]
• E.A.格尔莱因等——评估机器学习分类在金融交易中的应用：实证研究 [链接]
• 贾斯汀·西里尼亚诺——限价订单簿中的深度学习 [链接]

事件与情绪交易

• Frank Z. Xing 等 - 基于自然语言的金融预测：综述 [链接]
• Ziniu Hu 等 - 聆听混沌低语：面向新闻的股票趋势预测深度学习框架 [链接]
• J.W. Leung，麻省理工学院硕士论文 - 机器学习的应用：基于事件驱动数据的自动化交易 [链接]
• Xiao Ding 等 - 用于事件驱动型股票预测的深度学习 [链接]

强化学习环境

• :star: TradingGym [链接]
• Trading-Gym [链接]
• btym [链接]
• TradzQAI [链接]

代码

• QTradeX - 一个强大且灵活的 Python 框架，用于设计、回测、优化和部署算法交易机器人 [链接]
• marketneutral - 使用机器学习进行配对交易 [链接]
• BlackArbsCEO - 金融机器学习进阶练习 [链接]
• mlfinlab - 金融机器学习进阶工具包 [链接]
• MachineLearningStocks - 使用 Python 和 scikit-learn 进行股票预测 [链接]
• AlphaAI - 利用无监督和有监督学习预测股票 [链接]
• SGX-Full-OrderBook-Tick-Data-Trading-Strategy - 提供基于机器学习的高频交易（HFT）策略解决方案 [链接]
• NeuralNetworkStocks - 使用 Python 和 Keras 进行股票预测 [链接]
• Stock-Price-Prediction-LSTM - 使用 LSTM 循环神经网络预测苹果公司 OHLC 平均值 [链接]
• SravB - 基于机器学习的算法交易 [链接]
• Flow - 高频 AI 驱动的算法交易模块 [链接]
• timestocome - 测试股票预测算法 [链接]
• deepstock - 利用深度学习击败股市的技术实验 [链接]
• qtrader - 用于投资组合管理的强化学习 [链接]
• stockPredictor - 使用机器学习和深度学习算法预测股票走势 [链接]
• stock_market_reinforcement_learning - 使用 OpenGym 环境结合深度 Q 学习和策略梯度的股市环境 [链接]
• deep-algotrading - 从回归到 LSTM 的深度学习技术在金融数据中的应用 [链接]
• deep_trader - 将强化学习应用于股市，让智能体学习交易策略 [链接]
• Deep-Trading - 结合深度学习的算法交易实验 [链接]
• Deep-Trading - 使用 RNN 进行算法交易 [链接]
• Multidimensional-LSTM-BitCoin-Time-Series - 利用多维 LSTM 神经网络对比特币价格进行预测 [链接]
• QLearning_Trading - 在强化学习框架下学习交易 [链接]
• Day-Trading-Application - 使用深度学习准确预测未来股票收益 [链接]
• bulbea - 基于深度学习的 Python 库，用于股市预测和建模 [链接]
• PGPortfolio - “一种用于金融投资组合管理问题的深度强化学习框架”的源代码 [链接]
• Thesis - 自动化交易中的强化学习 [链接]
• DQN - 用于金融领域的强化学习 [链接]
• Deep-Trading-Agent - 基于深度强化学习的比特币交易智能体 [链接]
• deep_portfolio - 利用强化学习和监督学习优化投资组合配置 [链接]
• Deep-Reinforcement-Learning-in-Stock-Trading - 使用深度演员-评论家模型学习配对交易的最佳策略 [链接]
• Stock-Price-Prediction-LSTM - 使用 LSTM 循环神经网络预测苹果公司 OHLC 平均值 [链接]

Awesome-Quant-Machine-Learning-Trading 快速上手指南

项目说明：Awesome-Quant-Machine-Learning-Trading 并非一个可直接安装运行的软件库或框架，而是一个精心 curated（筛选）的资源列表。它汇集了量化交易与机器学习领域的高质量书籍、在线课程、视频、博客、访谈及学术论文。

本指南旨在帮助中国开发者高效利用该列表构建学习路径和环境。

1. 环境准备

由于该列表中的资源主要围绕 Python 生态系统的量化交易与机器学习，建议准备以下开发环境：

• 操作系统：Windows, macOS 或 Linux (推荐 Ubuntu/CentOS)
• 核心语言：Python 3.8+
• 前置依赖：
  • 数据科学栈：numpy, pandas, scipy, matplotlib
  • 机器学习/深度学习：scikit-learn, tensorflow 或 pytorch
  • 量化回测框架（参考列表中提到的工具）：zipline, backtrader, quantconnect (云端)
• 推荐方案：直接安装 Anaconda 或 Miniconda，这是国内量化开发者最常用的发行版，预装了大部分科学计算包。

2. 安装步骤

本项目无需执行传统的 pip install 或 git clone 来运行代码，其“安装”过程即为本地的资源库构建。

步骤一：获取资源列表

访问项目 GitHub 页面或直接浏览下方的分类索引：

# 可选：克隆仓库以便离线查看 Markdown 源码
git clone https://github.com/your-repo/Awesome-Quant-Machine-Learning-Trading.git

步骤二：配置国内加速源（重要）

列表中大量链接指向 Amazon、Coursera 或 YouTube，国内访问可能受限。建议配合以下方案使用：

• 书籍：优先在京东、当当或微信读书搜索对应中文译名（如《金融机器学习进展》）。
• 视频课程：
  • Udacity/Coursera：建议使用国内镜像站或 Bilibili 搜索对应课程名称（许多内容已被搬运）。
  • YouTube 视频：在 Bilibili 搜索频道名（如 "Siraj Raval", "Quantopian"）或视频标题，通常能找到带中文字幕的版本。
• 论文：部分 SSRN 或 ArXiv 论文可通过国内学术镜像（如 ArXiv.org.cn）下载。

步骤三：搭建 Python 量化实验环境

根据列表中推荐的书籍（如 Hands-On Machine Learning for Algorithmic Trading），初始化你的开发环境：

# 创建虚拟环境
conda create -n quant_ml python=3.9

# 激活环境
conda activate quant_ml

# 安装核心量化与 ML 库
pip install numpy pandas scikit-learn tensorflow torch matplotlib seaborn
pip install yfinance backtrader ta-lib

3. 基本使用

本项目的“使用”是指按照推荐顺序进行学习与实践。以下是基于列表中标记为 :star: (精选) 内容的最小化学习路径示例：

第一阶段：理论基础（书籍）

优先阅读列表中高亮标记的经典著作，建立正确的金融 ML 思维，避免过拟合陷阱。

• 必读：Marcos López de Prado - Advances in Financial Machine Learning (中译：《金融机器学习进展》)
  • 重点：理解分数阶差分、三重屏障标记法、交叉验证在金融时间序列中的特殊性。
• 进阶：Michael Halls-Moore - Advanced Algorithmic Trading

第二阶段：实战演练（代码与教程）

结合列表中的 "Blogs and content websites" 和 "Online series" 进行编码实践。

• 平台：访问 Quantstart 或 Quantopian Lectures (存档) 获取 Notebook 代码。
• 示例任务：复现一个简单的双均线策略并引入机器学习分类器。

# 示例：基于列表推荐思路的简单策略骨架 (需配合 backtrader 等框架)
import pandas as pd
from sklearn.ensemble import RandomForestClassifier

# 1. 加载数据 (参考 Sentdex 或 QuantNews 视频中的数据源处理)
data = pd.read_csv('stock_data.csv') 

# 2. 特征工程 (参考 Marcos López de Prado 的方法)
data['return'] = data['close'].pct_change()
data['label'] = (data['return'].shift(-1) > 0).astype(int) # 预测次日涨跌

# 3. 模型训练 (参考 Hands-On Machine Learning for Algorithmic Trading)
features = ['return', 'volume_ratio'] # 简化示例
model = RandomForestClassifier(n_estimators=100)
model.fit(data[features].dropna(), data['label'].dropna())

# 4. 生成信号
data['signal'] = model.predict(data[features].fillna(0))

第三阶段：深度研究（论文与访谈）

• 论文：阅读 The 10 reasons most Machine Learning Funds fails，理解为何大多数 ML 基金失败。
• 访谈：观看 Chat with Traders 系列中关于 Bert Mouler 和 Max Margenot 的集数，了解业界实际落地经验。

通过以上步骤，您即可充分利用 Awesome-Quant-Machine-Learning-Trading 提供的丰富资源，从零开始构建自己的量化交易知识体系。