Stefan Jansen《Machine Learning for Trading》2nd：量化金融 ML 工程化完全指南

Stefan Jansen 的《Machine Learning for Algorithmic Trading》第 2 版是少数同时给出完整代码与系统框架的工程化手册——150+ Jupyter Notebooks 覆盖 23 章、800+ 页，从数据源、特征工程、监督/无监督模型，一路走到 NLP（自然语言处理）、深度学习和强化学习的回测落地。

这本书额外把模型训练之外的三处关键环节讲透：预测如何变成多空头寸、历史数据上的验证如何落地、以及一个因子究竟是真实 alpha 还是噪音。

版本边界：仓库的 main 分支已在 2026 年按新版《Machine Learning for Trading》第 3 版整体重建——章节从 23 章扩到 27 章，新增 RAG、知识图谱与 autonomous agents，环境也从 conda 换成 Docker 或 uv。本文的章节矩阵与工作流对应第二版（2020）书，下表与末尾安装命令以当前 main 分支为准。第二版时代的 conda + Zipline 环境已不在 main（installation/environment.yml 已不存在），需要它需回旧 git 历史。

项目概览

核心方法论：ML4T 工作流

Jansen 把量化 ML 抽象成 7 步循环，散落在各章的操作被统一到了一个可迭代的模型里：

整套工作流的设计前提：ML 模型是策略 pipeline 的一环，不是策略本身。数据源和特征工程的质量决定了模型的天花板，这也是第 2-5 章独占全书 23 章里 4 章的原因——它们处理的是 ML 模型之外、却决定模型能不能用的基础设施。

全书 23 章结构矩阵

关键工程实践

1. 数据：多源融合是基本功

Jansen 把数据源切成三档：

# 第 2 章：重建订单簿
import pandas as pd
import numpy as np

def reconstruct_order_book(itch_messages: pd.DataFrame) -> pd.DataFrame:
    """从 NASDAQ ITCH 消息流重建 L2 order book"""
    book = {'bids': {}, 'asks': {}}
    snapshots = []
    for _, msg in itch_messages.iterrows():
        if msg['type'] == 'A':  # Add order
            side = 'bids' if msg['side'] == 'B' else 'asks'
            book[side][msg['price']] = msg['shares']
        elif msg['type'] == 'D':  # Delete
            side = 'bids' if msg['side'] == 'B' else 'asks'
            book[side].pop(msg['price'], None)
        # ... 完整实现见 ch02 notebook
    return book

2. 特征工程：Alpha 因子是策略的"语言"

第 4 章与第 24 章附录给出 100+ 可计算的 alpha 因子（动量、波动、价值、情绪、质量），并展示如何系统化地研究、回测、评估一个新因子。这两章是全书使用频率最高的部分——这里展示的是因子研究的标准流程，不是因子列表本身。

# 24_alpha_factor_library 中的动量因子
def momentum_factor(prices: pd.Series, lookback: int = 252) -> pd.Series:
    """12-1 月动量：过去 12 个月收益，跳过最近 1 个月"""
    return (prices.shift(21) / prices.shift(lookback)) - 1

# 用 Alphalens 评估因子的 IC、turnover、decay
import alphalens

factor_data = alphalens.utils.get_clean_factor_and_forward_returns(
    factor=momentum_signal,
    prices=stock_prices,
    quantiles=5,
    periods=(1, 5, 21)
)

alphalens.performance.factor_information_coefficient(factor_data).plot()
alphalens.tears.create_returns_tear_sheet(factor_data)

3. 端到端回测：Zipline-reloaded

第 8 章把 ML 模型接入 Zipline 策略：

# zipline_reloaded 策略：把 ML 模型预测作为 alpha
from zipline.pipeline import Pipeline, CustomFactor
from zipline.api import attach_pipeline, pipeline_output, order_target_percent

class MLAlphaFactor(CustomFactor):
    inputs = [USEquityPricing.close]
    window_length = 252

    def compute(self, today, assets, out, prices):
        returns = (prices[1:] - prices[:-1]) / prices[:-1]
        out[:] = returns.mean(axis=0)

def initialize(context):
    attach_pipeline(
        Pipeline(columns={'alpha': MLAlphaFactor()}),
        name='ml_alpha'
    )
    schedule_function(rebalance, date_rules.month_start())

def rebalance(context, data):
    alpha = pipeline_output('ml_alpha')
    longs = alpha.dropna().nlargest(int(len(alpha) * 0.2))
    shorts = alpha.dropna().nsmallest(int(len(alpha) * 0.2))

    for asset in longs.index:
        order_target_percent(asset, 1.0 / len(longs))
    for asset in shorts.index:
        order_target_percent(asset, -1.0 / len(shorts))

4. 学术前沿可复现

第 18/20/21 章直击顶会论文，把"看论文"变成"跑代码"：

一次完整任务流过系统

下面用"基于动量因子的日股多空策略"这个场景，走一遍 Jansen 工作流的 7 个步骤，看看书中的各章是怎么串起来的。

Step 1 — Idea（第 1 章）：假设我们观察到美股大盘股存在中期动量效应——过去 12 个月涨幅高的股票，接下来 1 个月继续跑赢。投资范围限制在 S&P 500 成分股。

Step 2 — Data（第 2 章）：从 Algoseek 分钟 bar 或 yfinance 日线获取 500 只股票过去 5 年的价格数据，存入 pandas DataFrame。第 2 章提供了多种数据源的取数代码和清洗流程。

Step 3 — Feature（第 4、24 章）：基于价格数据计算 12-1 月动量因子（momentum_factor 函数）。同时计算波动率、换手率等辅助因子用于后续过滤。用 Alphalens 评估因子的 IC（信息系数）和分层收益衰减——如果 IC 均值不到 0.02 或 decay 太快，回退到 Step 1 调整假设。

Step 4 — Model（第 11 章）：用随机森林把多个因子合并成一个预测信号。第 11 章详细讲了金融场景下随机森林的训练要点：用时间序列交叉验证而非随机 K-fold、如何处理类别不平衡、如何解读特征重要性。

Step 5 — Strategy（第 8 章）：把随机森林的预测概率写入 MLAlphaFactor（替换上面代码中的简单动量均值），接入 Zipline 的 Pipeline API。策略规则：每月初做多预测概率最高的 20% 股票，做空最低的 20%，等权配置。

Step 6 — Backtest（第 5、8 章）：在 2018-2022 的样本外数据上运行回测。用 pyfolio 生成 tear sheet，关注四个指标：样本外 Sharpe 是否显著低于样本内（过拟合信号）、max drawdown 的持续时间和幅度、月换手率（过高意味着交易成本侵蚀收益）、因子 IC 是否在回测期持续为正。

Step 7 — 迭代：如果回测结果可接受，回到 Step 3 添加新因子或替换模型（如第 12 章的梯度提升），重新走 Step 4-6。7 步构成一个持续运转的循环，这也是 Jansen 全书结构的组织逻辑。

安装与运行

安装现在有两条路径，任选其一，都要从仓库根目录执行：

git clone https://github.com/stefan-jansen/machine-learning-for-trading.git
cd machine-learning-for-trading
cp .env.example .env   # 默认值即可用，无需改动

# 路径 A：Docker，自带全部依赖，无需编译器
docker compose pull ml4t

# 路径 B：本地 uv 环境
curl -LsSf https://astral.sh/uv/install.sh | sh
source $HOME/.local/bin/env
uv sync

路径 B 的 uv sync 需要从源码编译 scikit-learn、shap 等未提供预编译轮子的包，因此先要装好 C/C++ 编译器（macOS 上执行 xcode-select --install），否则会以 error: command 'c++' failed 中止。第二版时代曾用的 zipline-reloaded 等项目的 conda-forge 说明，也已随这次重构过时。

与同类资源的横向对比

表格里的星级是我们对定位线的主观标记，不是可量化的 benchmark，别当作分值比较。三条线的口径：覆盖面看策略类型与数据源的宽度，深度看数学推导与实现细节的完整度，工程化看能否直接跑出可复用的 pipeline。

López de Prado 的书在数学深度上更强，但代码是片段式的。Chan 的书适合零基础入门，ML 覆盖浅。Hudson & Thames 的 notebooks 在特定专题（如组合优化）上更深入，但缺少统一的叙事框架。Jansen 的定位是教科书深度加完整工程代码的双轨覆盖。

谁该用、怎么用

适合先读的人群：

• 有一定 Python 和 pandas 基础、想系统学习 ML 在量化交易中如何落地的开发者
• 已经在用 Zipline/QuantConnect，想扩展 ML 策略类型的交易者
• 金融工程或数据科学方向的学生，需要一份可运行的 ML4T 参考

不急着读的情况：

• 零编程基础，只想了解量化交易概念——先看 Ernest Chan 的入门书
• 只做主观交易，不需要 ML 模型辅助决策
• 生产环境已稳定，只缺某个特定策略的实现——直接查对应章节的 notebook 即可

推荐阅读顺序：先通读第 1 章了解全景，然后按自己关注的领域跳到对应部分——想做 NLP 策略的直接从第 14 章开始，想用强化学习的从第 22 章开始。第 2-5 章（数据与特征工程）建议所有人都看，因为这部分是跨策略类型的通用基础设施。

引用与延伸阅读

• 仓库主页：https://github.com/stefan-jansen/machine-learning-for-trading
• 配套书籍购买：https://www.amazon.com/Machine-Learning-Algorithmic-Trading-alternative/dp/1839217715
• 项目主页：https://ml4trading.io
• 作者博客：https://ML4Trading.io/

本文基于 Stefan Jansen《Machine Learning for Algorithmic Trading》2nd Edition (2020) 与对应 GitHub 仓库（开源数据复核于 2026-09）。所有 notebook 路径以仓库 main 分支为准。读者应自行评估文中提及的所有策略在真实市场的可交易性。