欢迎来到机器学习金融实验室！

本仓库面向公众开放，其唯一目的就是为用户提供一种便捷的方式，以提交错误报告、功能请求及其他各类问题。

什么是 MlFinLab？

MlFinLab Python 库是每一位金融机器学习研究者必备的完美工具箱。

它涵盖了从数据结构生成到回测统计分析的整个 ML 策略制定流程。 我们以代码库的稳健性为荣——模块中每一条代码都经过了详尽的测试与文档化处理。

文档、示例笔记本与讲座视频

针对库中所包含的每一项技术，我们不仅提供了详尽的文档，既包括理论讲解，也对可用函数进行了细致的说明，还通过不断扩充的讲座视频和演示文稿，为各个模块增添了丰富的教学内容。

我们希望您能立即上手使用这些工具。为此，每个模块都附带了一系列示例笔记本，其中详细展示了算法的使用方法。我们的目标是向您展示完整的开发流程：从导入相关库，到最终完成策略性能指标的评估，让您从一开始就获得真正的价值。

包含的模块：

• 回测过拟合工具
• 数据结构
• 标签标注
• 采样
• 特征工程
• 模型
• 聚类
• 交叉验证
• 超参数调优
• 特征重要性
• 投注规模
• 合成数据生成
• 网络
• 相关性度量
• 有用的金融特征

许可选项

本项目采用“全部权利保留”的许可协议 许可证。

• 企业级
• 专业级

社区

购买该库后，您的客户将获得 Hudson & Thames Slack 社区的访问权限，我们的工程师和其他量化分析师随时准备解答您的疑问。

或者，您也可以发送邮件至：research@hudsonthames.org。

Hudson & Thames 是谁？

Hudson and Thames Quantitative Research 是一家致力于弥合量化金融领域前沿研究与实际应用之间鸿沟的公司。我们推出了三款高端 Python 库，让您可以轻松获取最新技术，并专注于最重要的事情：打造属于自己的高效策略。

曾经只有在庞大研发团队的助力下才得以实现的创新成果，如今已触手可及，随时随地皆可享用。

MlFinLab 快速上手指南

MlFinLab 是专为金融机器学习研究者打造的 Python 工具箱，涵盖从数据结构生成、特征工程、模型训练到回测统计的全流程。

环境准备

• 操作系统：Linux, macOS, Windows
• Python 版本：建议 Python 3.8 - 3.10
• 前置依赖：
  • numpy
  • pandas
  • scikit-learn
  • scipy
  • matplotlib
  • statsmodels

注意：MlFinLab 为商业授权库（All Rights Reserved），需通过 Hudson & Thames 官网购买许可后方可使用全部功能。

安装步骤

1. 访问 Hudson & Thames 官网 获取许可证并登录客户门户。
2. 使用 pip 安装（需配置认证或下载离线包）：

pip install mlfinlab

若处于国内网络环境，可尝试使用清华镜像源加速基础依赖安装（仅适用于公开依赖部分）：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy pandas scikit-learn scipy matplotlib statsmodels

核心库 mlfinlab 因涉及授权验证，暂不支持第三方镜像源，请确保网络可访问 PyPI 或通过企业内网部署私有源。

基本使用

以下示例展示如何使用 MlFinLab 生成美元条（Dollar Bars）数据结构并进行简单标签化：

import pandas as pd
from mlfinlab.data_structures import DollarBars
from mlfinlab.labeling import get_fixed_time_horizon

# 假设已有原始交易数据（含 'date', 'price', 'volume' 列）
data = pd.read_csv('tick_data.csv')

# 生成美元条结构（每 10000 美元成交量聚合为一根 K 线）
dollar_bars = DollarBars(threshold=10000)
db_df = dollar_bars.batch_transform(data)

# 固定时间 horizon 标签化（预测未来 5 根 K 线的收益率方向）
labels = get_fixed_time_horizon(db_df['close'], window=5)

print(db_df.head())
print(labels.head())

更多模块用法（如特征工程、交叉验证、赌注大小优化等）请参考官方提供的 Jupyter Notebook 示例及视频课程。