第十五期线上培训开始报名,这期的主题定得挺刺激:"用机器学习训练激进抄底模型,让量化系统更聪明。"说实话,看到"激进抄底"这四个字我就知道这次报名人数不会少。在量化这个圈子里,抄底策略永远是热门话题,但大多数人试图用传统技术指标来做超跌反弹,效果始终不稳定。这期培训的核心思路,是把"抄底"从规则驱动变成数据驱动,用机器学习从历史行情里学出"什么位置、什么信号下,反弹概率最高"。
我自己跑量化这几年,最大的感触是:机器学习在量化里的应用,门槛不在算法,而在你能不能把一个模糊的交易直觉,翻译成一个清晰、可计算、可验证的数学问题。这期培训讲的就是这套完整流程——从数据清洗、特征工程、模型训练到回测验证。不管你是刚入门想搭一个自己的交易辅助工具,还是已经在跑策略但想知道怎么把机器学习嵌进去,这个主题都值得花时间跟着过一遍。下面这篇文章,我就把这类"抄底模型"从0到1的核心环节拆开细讲,大部分内容也是这次培训会重点带练的部分。
1. "激进抄底"的本质:先想清楚你到底在预测什么
1.1 抄底策略的量化翻译
"激进抄底"在交易里的直觉描述是:一只股票连续大跌,跌到某个位置,市场情绪极度悲观,然后出现一波快速反弹。人做这个判断靠的是盘感和经验,机器没有盘感,它只能靠概率。所以要想让机器学习来干这事,第一步不是选模型,而是把"抄底"变成一个具体的预测任务。
我的做法是做二元分类:给定股票在某一天的快照数据,预测未来N个交易日内,该股票的最大涨幅是否超过某个阈值。比如未来5个交易日内,最高价相对当天收盘价上涨超过8%,就算正样本,没达到就算负样本。这个设计思路的关键在于,我们是在预测"反弹是否会发生",而不是预测"明天的收盘价是多少"。前者对噪声更鲁棒,也更容易构造训练数据,后者几乎是个不可能精确完成的任务,就算模型勉强拟合了,实盘也大概率失效。
1.2 三类标签方案怎么选
标签怎么打,直接决定模型学到什么。除了上面说的二元分类,还有另外两种常见的标签方案,我做了一个对比:
| 标签方案 | 定义方式 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 二元分类 | 未来N日最大涨幅≥阈值记为1 | 任务清晰,训练简单,正负样本直观 | 阈值设定影响结果较大;丢失涨幅幅度信息 | 筛选"是否值得参与"的候选池 |
| 回归 | 直接预测未来N日收益率 | 保留幅度信息,可排序 | 极端值干扰大,模型噪声高 | 当你想做更精细的仓位管理时 |
| 三柱线法(Triple-Barrier) | 同时设定止盈、止损、时间三条屏障 | 贴合实际交易,自动处理平仓点 | 实现复杂,参数多,调参成本高 | 策略与出场逻辑绑定时优先使用 |
从我自己的实践经验来看,一开始做模型探索时,二元分类是最省力的。先把"能不能抄底"变成一个概率分数,后面再叠加仓位管理和止损逻辑,整个系统会清晰很多。三柱线法听起来很专业,但如果你连基础的特征体系和验证流程都没跑通,直接上这种复杂标签会把问题搞复杂,出了问题都分不清是模型错了还是标签错了。
