Skip to content

README.zh-TW.md

Latest commit

 

History

History
104 lines (75 loc) · 4.42 KB

README.zh-TW.md

File metadata and controls

104 lines (75 loc) · 4.42 KB
Raw

ml-quant-trading

Languages: English | 简体中文 | 繁體中文

本文為中文摘要，完整內容請參閱 English README。

機器學習增強的多因子量化交易——採用偏差修正的橫截面投資組合最佳化方法。

arXiv:2507.07107  |  Yimin Du，2025

專案概述

ml-quant-trading 是一套簡潔、方便 fork 的端到端 A 股量化研究系統。程式碼庫整合了張量因子引擎、213 維因子庫、偏差修正、ML baseline、Markowitz 投資組合最佳化、向量化回測、synthetic 與公開資料示範，以及 CI、測試與 benchmark 工具，適合重現及延伸多因子量化研究。

研究與教學用途聲明

僅供研究與教學使用。 本專案不構成金融或投資建議，也不是可直接用於實盤交易的正式交易系統。回測結果不代表真實交易表現，並會受到資料品質、交易成本、滑價及建模假設等因素影響。所有結果均應視為研究驗證，而非已證實的樣本外績效或可部署 alpha。已知限制請參閱 Reality Check。

核心模組

模組 功能
features.tensor_factors 帶有 mask 的 GPU 向量化基礎運算子（rank、corr、ewma、ts_*）
features.legacy_factors 204 個手工建構的 alpha 因子（請參閱因子手冊）
features.alpha101 Alpha101 風格的公式化因子
features.neutralize 橫截面與產業中性化
features.bias 漲停、跌停與停牌偏差修正
training.augment GBM 資料增強
models.nets MLP / Transformer
models.losses AdjMSE、IC、RankIC loss
portfolio.markowitz 橫截面 Markowitz 最佳化（收縮共變異數、禁止放空）
backtest.engine 向量化回測，輸出 Sharpe / IC / IR / DD 等指標

因子庫共包含 213 個因子：9 個精選 Alpha101 公式及 204 個手工建構的 legacy 因子。完整說明請參閱因子手冊。

資料來源

資料來源 市場 存取方式 說明
Baostock A 股 免費註冊 專案支援的 A 股資料載入器，需要帳號
yfinance 美股 / ETF 公開存取，有速率限制 用於公開資料驗證與跨市場範例
Synthetic 不適用 零設定 以固定 seed 決定性產生的 GBM panel，用於 pipeline 冒煙測試

本程式碼庫不會重新散布市場資料。Baostock 與 yfinance 資料會透過載入腳本依需求下載；Synthetic 資料則根據固定 seed 決定性產生。

快速開始

python -m pip install mlquantx

# Synthetic 冒煙測試，無需行情帳號
mlquant demo

準備修改因子、模型、資料來源或回測假設時，請切換到原始碼模式：

git clone https://github.com/initial-d/ml-quant-trading.git
cd ml-quant-trading
python -m pip install -e '.[dev]'

公開資料驗證（選用）

輕量範例請開啟 notebooks/public_factor_ic.ipynb。如需執行規模較大的 yfinance walk-forward 驗證：

python scripts/public_data_validation.py \
  --source yfinance \
  --preset us-large-100 \
  --max-tickers 100

執行方式與輸出說明請參閱 Public-Data Validation。這些結果僅用於驗證診斷，不是交易建議。

關鍵文件

引用

若本專案對你的研究有所幫助，請引用：

@article{du2025mlquant,
  title  = {Machine Learning Enhanced Multi-Factor Quantitative Trading:
            A Cross-Sectional Portfolio Optimization Approach with Bias Correction},
  author = {Du, Yimin},
  journal= {arXiv preprint arXiv:2507.07107},
  year   = {2025},
  url    = {https://arxiv.org/abs/2507.07107}
}

License

本專案採用 MIT License，詳見 LICENSE。