哇！这本惊人的826页巨著的新第3版有重大更新！

“Machine Learning for Trading — A disciplined workflow from research to live execution, with 9 case studies and AI agents” — https://amzn.to/3TAZs8i by @ml4trading

作者还将于8月15日举办一场在线直播研讨会：Machine Learning for Trading in the Age of AI Agents。活动详情： https://eventbrite.co.uk/e/machine-learning-for-trading-in-the-age-of-ai-agents-tickets-1994299755253… … 等等！一旦我从主办方 @PacktPublishing 那里拿到优惠码，我就会分享研讨会40%的折扣码！

Machine Learning for Trading: 从研究到实盘执行的纪律化工作流，包含九个案例研究与AI智能体：Stefan Jansen: 9781803246970: Amazon.com: 图书

来源：https://www.amazon.com/dp/1803246979?&linkCode=sl2&tag=kirkdborne-20&linkId=93390f6bdd0fb9b3ff34dbff12831f74&language=en_US&gaOptInStatus=true&ref_=as_li_ss_tl 使用 pandas、Polars、LightGBM、PyTorch、Optuna、zipline-reloaded、MLflow、Feast 和 SHAP，按照 7 阶段工作流构建并部署 AI 驱动的交易系统

关键特性

• 构建时点（point-in-time）流水线，整合另类数据，并确保数据完整性
• 使用 GBM、Transformer 和因果推断框架构建并验证预测模型，以创建稳健、可解释的 alpha 信号
• 部署 RAG 系统、自主金融智能体以及基于扩散的合成数据生成器

图书简介

AI 的迅速崛起与金融市场日益增长的复杂性，已将量化交易转变为一门数据驱动、流程导向的学科。本第三版为设计、验证和部署由现代机器学习驱动的系统化交易策略提供了一份全面的蓝图。

书中介绍了 7 阶段 ML4T 工作流（ML4T Workflow），这是一个将数据工程、模型开发、验证和实盘部署统一为一个连贯流程的专业框架。它展示了如何将原始的市场、基本面与另类数据转化为预测信号，以及稳健、可投产的交易系统。

你将学习如何使用 Polars、LightGBM、PyTorch 和 Optuna 等库，为特征工程、模型评估和投资组合优化构建高级流水线。

实用 notebook 演示了工作流的每个阶段，从使用 zipline-reloaded 进行因子测试和回测，到使用 MLflow、Feast 和 Prometheus 等 MLOps 工具进行实盘部署。此外还涵盖合成数据生成、图神经网络和强化学习，扩展了你的工具箱，以构建在动态市场中蓬勃发展的弹性、自适应策略。

读完本书后，你将能够熟练构建属于自己的工业级“alpha 工厂”。

你将学到什么

• 将原始数据转化为预测性 alpha 因子，并通过防泄漏交叉验证进行验证
• 掌握从梯度提升机（GBM）到 Transformer、图神经网络和强化学习智能体等高级模型
• 运用生成式 AI、检索增强生成（RAG）和因果推断，使模型具备可解释性、可审计性，并符合监管标准
• 使用 MLOps、特征存储和模型监控构建生产级交易基础设施，将研究成果安全地过渡到实盘资金部署

本书适合谁阅读

如果你是一位对获取交易领域的实操机器学习知识感兴趣的数据分析师、数据科学家、Python 开发者、投资分析师或投资组合经理，那么本书适合你。如果你想学习如何利用机器学习从各种不同的数据源中提取价值，并设计自己的系统化交易策略，那么本书也适合你。

需要具备一定的 Python 和机器学习技术基础。

目录

1. 过程就是你的优势
2. 金融数据宇宙
3. 市场微观结构
4. 基本面与另类数据
5. 合成金融数据
6. 策略研究框架
7. 定义学习任务
8. 金融特征工程
9. 基于模型的特征提取
10. 文本特征工程
11. 机器学习流水线
12. 表格数据的高级模型
13. 时间序列深度学习
14. 潜在因子模型
15. 因果机器学习
16. 策略模拟
17. 投资组合构建
18. 交易成本
19. 风险管理
20. 策略综合
21. 强化学习
22. 用于金融研究的 RAG
23. 知识图谱
24. 自主智能体
25. 实盘交易系统
26. MLOps 与治理
27. 系统化优势