交易中的 ML：为什么它无法预测价格

机器学习在算法交易中的真实应用与常见错误

机器学习（ML）并不直接预测股票价格，而是擅长解决特定且狭窄的任务：识别市场状态、过滤交易信号、优化订单执行以及分析订单簿微观结构。在俄罗斯，独立的算法交易者需独自完成从数据准备到生产部署的全流程，而对冲基金团队则分工明确。大多数基于机器学习的策略失败，根源在于数据质量差和测试方法有缺陷。

独立算法交易者的角色

如今的独立算法交易者相当于一个完整的专家团队。他们需要负责：

• 数据获取与清洗；
• 特征工程；
• 模型构建；
• 假设检验；
• 策略组合；
• 风险计算；
• 生产环境部署。

这要求配备家用GPU硬件和AI工具。与基金公司中角色分离不同，一个人承担全部职责。一次行业聚会调查显示：70%的人尝试过机器学习，但仅有30%能用实盘资金实现盈利。核心问题是什么？缺乏实质性内容——讨论充斥着模糊暗示，每个人都在重复造轮子，犯着同样的错误。

为何直接预测价格行不通

神经网络能预测明天的西伯银行股价这一神话，在真实测试中迅速破灭。对历史价格进行回归分析只会得到噪声。在高频交易（HFT）中，机器学习受限严重——模型引入的延迟在纳秒级精度下至关重要。

通过机器学习生成信号往往失败。相反，机器学习真正发挥作用的领域包括：

• 市场状态识别：在震荡市中关闭趋势跟踪策略；
• 信号过滤：剔除基础策略中的亏损交易；
• 执行优化：最小化滑点和手续费；
• 订单簿微观结构分析：发现肉眼无法察觉的订单流模式。

这些应用能提取超额收益，而不依赖于虚假的价格预测幻觉。

经典测试陷阱

大多数策略在回测阶段就崩溃了。主要陷阱有：

• 垃圾进，垃圾出：80%的时间花在数据查找与清洗上。遗漏一根K线或期货合约拼接不当，就会制造虚假模式；
• 窥探未来：训练-测试划分不当，导致模型提前看到未来数据（参见马库斯·德·普拉多）。回测表现完美，实盘却触发追加保证金通知；
• 预测 ≠ 收益：模型方向判断正确率达60%，但滑点、手续费和延迟吞噬全部利润。

与西方基金的差距不在于创意，而在于基础设施。非平稳性和过拟合是全球性挑战。

编码前验证想法

在编写Python代码之前，请先问自己五个问题：

• 任务是否清晰定义？（不是“加个神经网络”，而是“降低执行成本”）；
• 是否拥有真实可靠的数据？（干净、无未来泄露、可实时访问）；
• 能否包含手续费和延迟进行测试？
• 预测能否转化为实际操作？（模型到交易有明确路径）；
• 是否存在经济价值？（扣除所有成本后仍能盈利）。

只要有一个答案是否定的，就说明还不到部署机器学习的时候。

最关键的几点

• 机器学习在交易中解决的是具体问题，而非价格预测；
• 80%的成功取决于数据——清洗与验证至关重要；
• 回测中避免未来数据泄露；
• 将滑点和手续费纳入盈亏计算；
• 在编码前使用五问清单验证思路。

机器学习不是魔法按钮，而是针对精准需求的工具。封闭圈子导致重复犯错；分享经验才能加速进步。

— Editorial Team