深度学习做量化交易：神经网络、CNN 与 Transformer 的实战选型指南-编程实验室

深度学习做量化交易：神经网络、CNN 与 Transformer 的实战选型指南

【免费下载链接】machine-learning-for-tradingCode for Machine Learning for Trading, 3rd edition — from data sourcing to live execution.项目地址: https://gitcode.com/GitHub_Trending/ma/machine-learning-for-trading

想靠深度学习交易赚钱，最大的坑往往不在模型本身，而在数据、标签和评估方式。开源项目 machine-learning-for-trading（《机器学习交易》第三版配套代码）把从数据获取到实盘部署的完整流程做成了可复现的 notebook，其中第 13 章 13_dl_time_series 集中展示了 MLP、1D-CNN、LSTM、Transformer、TCN、Mamba 这些架构在金融时间序列上怎么训练、怎么比较、以及什么时候其实不如一个线性模型。

这篇文章不打算再给你画一条漂亮的回测曲线，而是按项目自己的节奏，把"神经网络能不能在交易里打出优势"拆成四步：先喂数据，再跑基线，然后看 CNN 的图像化路线，最后用不确定性和跨案例证据决定信不信它。

🧱 网络不缺架构，缺的是好的输入：特征和标签怎么准备

先说结论：动手写第一层网络之前，你得先回答两个问题——输入里放什么、标签怎么打。项目把特征按数据来源分成三档：仅价格（动量、反转、微观结构）、跨标的（carry、相对价值、期权隐含波动率）、外部上下文（基本面、日历事件、宏观），每个特征家族都标了适用频率和角色——是发信号的还是描述市场状态的。这张分类图可以直接当你的特征清单，入口在 08_financial_features/。

标签是另一个容易被忽略的坑。项目实现了三重障碍法：入场后同时挂上轨、下轨和一条时间屏障，轨道宽度按波动率缩放，先碰哪条就记哪类——+1、-1 或 0。这样打出来的标签天然和波动率挂钩，不会出现"高波动标的标签更稀疏"的失衡。具体做法见 07_defining_the_learning_task/ 里的 label methods 一节。

数据喂好了、标签打好了，下一个问题才轮到架构：先训练哪个？

🌀 先跑 MLP 和线性模型，再谈 Transformer

说实话，这一章最值钱的 notebook 可能是最无聊的那个：01_core_architectures 把 MLP、1D-CNN、LSTM、GRU 放在同一批 ETF 序列上训练，横轴训练时间、纵轴预测度（Spearman IC）。结论很直接：LSTM 按时间逐步计算，序列拉长一倍、耗时约翻倍，精度却不会线性增长——这正是 TCN 和状态空间模型想绕开的瓶颈。

更狠的是"大辩论"一节：Zeng 等人发现长序列预测里，Linear、D-Linear、N-Linear 这类简单线性模型能打赢 Transformer，03_great_debate 在 SPY 日线收益上复现了这个结果。所以项目定下的标准很硬：任何复杂架构必须先打赢强基线，复杂度才有资格被讨论。N-BEATS 的趋势加季节性分解、TCN 的膨胀卷积、Mamba 的线性复杂度，都是按这个标准被评估的，而不是因为论文新。

基线都跑不过的话，换架构也没用；如果你还是想给 CNN 一条"看图像"的进场路线，项目里有一条更野的路。

🖼️ 把一段时间序列变成一张图，让 CNN 做回归

传统做法是把价格序列直接丢给 1D 卷积，但 08_cnn_image_encoding 走的是图像编码路线：先用 GAF（Gramian Angular Fields）把窗口内两两时间点的角度关系编码成一张二维图，再用 MTF（Markov Transition Fields）把离散状态间的转移概率编码成另一张，两个通道叠成多通道图像，标准 CNN 在上面做回归，目标仍是前向收益。

这里有个细节很关键：它的对比对象不是"无"，而是把图像像素摊平后直接喂 Ridge+PCA 的线性基线。CNN 只有在打赢这个"同样信息量"的对手时，才算真的从图像结构里学到了东西。做法在 13_dl_time_series/08_cnn_image_encoding.ipynb，跑通之后你对"CNN 在金融序列上为什么有效、或为什么没效"会有具体答案，而不是一句空话。

信号出来了，样本外看着也还行。但真拿钱之前还差一层：这个数可信吗？

📉 单点预测不够用：不确定性估计和跨案例证据

交易要的不只是"明天涨还是跌"，还有"我有多确定"。10_uncertainty 实现两条互补路线：MC Dropout 在推理时保持 dropout 开启、多次前向取分布；Deep Ensembles 训练 5 个独立初始化的 LSTM 取投票。原始散布还要经过 conformal 校准，才能变成覆盖率可控的区间，再拿去驱动仓位——对应的风控落点在 19_risk_management/。

最后一剂清醒来自 12_case_study_insights：它把九个案例研究里所有深度模型的 walk-forward 结果聚到一起，和 Ridge、GBM、TabM 这些表格基线对账，画面相当克制——深度学习只在很窄的一片区域明确占优，简单序列模型经常赢过更花哨的架构。所以选模型的依据应该是问题结构和数据量，而不是论文发布日期的新鲜度。

如果你只有一个周末，建议的顺序是：先跑 13_dl_time_series/ 里的 01_core_architectures 拿到基线曲线，再跑 08_cnn_image_encoding 看图像编码能不能打赢它的线性对手，最后用 10_uncertainty 把区间校准好——顺序不能反，基线没打赢之前，后面的复杂度都是装饰。代码可从git clone https://gitcode.com/GitHub_Trending/ma/machine-learning-for-trading获取。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考