企业官网建设流程全解析

简介：一份面向量化交易入门者的Python机器学习与量化交易学习笔记，聚焦多因子选股与数据预处理核心环节。内容覆盖p16~p20五个章节，包括市值因子选股策略的案例介绍与代码演示、多因子策略整体流程、因子数据组成与面板数据概念，并重点讲解中位数去极值、三倍中位数去极值和三倍标准差法去极值的具体实现，以及如何利用RiceQuant平台获取财务数据、筛选股票池、调整持仓。笔记为单文件PDF，共一个文件，压缩包大小五百六十二KB，适合直接阅读和随时回看。已有一千三百余人学习，被不少量化入门者作为参考。通过阅读这份笔记，读者可快速掌握市值因子选股的完整步骤，理解因子异常值对模型稳定性的影响，学会使用去极值技术减小极端数据干扰，为后续构建更复杂的多因子策略打下扎实基础。

1. 这一part到底讲了啥：从“跑通代码”到“看懂流程”

先说个实话，量化交易这块，大多数人一开始都是被“自动赚钱”四个字吸引进来的，结果一上手就懵了——pandas都没装明白，机器学习四个字更是听着像天书。我当初也是这样，所以这份笔记我特意按p16到p20的顺序重新整理了一遍，核心就一件事：把机器学习在量化里的角色讲清楚，然后让你亲手跑通一个最简单的流程。

这4节课的内容定位很明确，不是教你写多复杂的策略，而是帮你把“数据 → 特征 → 模型 → 信号 → 回测”这条链路打通。p16到p20刚好覆盖了环境搭建收尾、机器学习基础概念、以及第一个简单的量化策略demo。如果你正卡在“代码能跑但不知道在干嘛”的阶段，这几节课就是给你补上那个“干嘛”的。

适合谁来参考？两类人。一是刚学完python基础、想往量化方向走但不知道从哪下手的；二是已经装了一堆库、但始终没搞明白机器学习在交易里到底怎么用的人。如果你是冲着“一周暴富”来的，那可以直接关掉，这里只有枯燥的数据和代码。

2. 环境搭建收尾：别在第一步就劝退自己

2.1 python装哪个版本、用不用anaconda

p16花了些时间讲环境，很多人觉得啰嗦，但以我带过几十个新人的经验讲，环境问题能卡住一半以上的人。python版本这块，无脑选3.8到3.10之间的就行，别追最新版。原因很实际：量化生态里大量库的预编译包更新速度跟不上python新版本发布速度，你装个3.12，很可能遇到numba、ta-lib这种库直接没有对应wheel包，只能源码编译，然后报一堆错。

至于anaconda，我的建议是：如果你只是学机器学习，那直接装miniconda就行，体积小，够用。如果你连python都没装过，那anaconda一步到位更省心，自带conda环境管理，python版本随便切换，不污染系统环境。我当年就是嫌anaconda太大，死活不用，结果装个库把系统python搞崩了一次，后来老实了。

提示：环境管理是量化开发的刚需，千万别图省事，把所有库都往系统python里装。一个项目一个虚拟环境，出事直接删掉重建，五分钟恢复。

2.2 vscode还是jupyter

这两节课明显是用jupyter notebook演示的，我建议你也用。机器学习的探索阶段，特征怎么选、参数怎么调，本身就是不断试错的过程，jupyter的单元格执行模式天然适合这种工作流。数据长什么样、中间结果对不对，你一眼就能看到。

vscode当然也有jupyter插件，但我个人体验是：插件版偶尔会有内核连不上的问题，尤其是conda环境切换之后。所以你要是纯学习，直接装个anaconda，打开jupyter就能用，界面丑点没关系，能干活就行。等后面写正式策略了，再换vscode写.py文件也不迟。

3. 机器学习核心概念：用“预测房价”理解一切

3.1 特征、标签、训练集、测试集

p17到p18开始讲机器学习基础，这部分如果你之前看过相关视频会觉得重复，但它的意义在于把概念和量化场景绑在一起讲——这是很多纯机器学习课程做不到的。

拿预测房价来打比方：你要预测一套房子能卖多少钱（这是标签，也就是y），你手里有面积、地段、房龄、朝向这些信息（这是特征，也就是X）。机器学习做的就是找到一套规则，能从这些特征算出房价。规则怎么找？给它看大量“特征+真实房价”的样本，这叫训练集；看完之后拿它没见过的数据考它，这叫测试集。

放到量化里，特征就是各种技术指标、量价数据、甚至舆情信息，标签就是你未来N天是涨还是跌（或者涨跌幅）。模型的任务变成：根据这些特征，算出未来上涨的概率或者预测的涨跌幅。本质和预测房价没区别，只是数据源和业务背景不同。

3.2 过拟合：你以为学会了，其实只是背题了

p19重点讲了过拟合，我建议你把这个概念刻在脑子里，因为它是量化策略回测最经典的坑。过拟合说白了就是：模型在训练集上表现极好，因为把它“背”下来了，但一到没见过的数据上就原形毕露。

我见过太多新手，策略在回测里收益曲线完美得像画出来的一样，一上实盘就亏成狗，九成都是过拟合。怎么判断？最简单的办法是看训练集和测试集的差距：训练集准确率95%，测试集只有60%，那基本就是过拟合了。后面做特征工程和参数优化时，这个问题会反复遇到，现在先有这个概念，后面少交学费。

4. 你的第一个“量化策略”demo：从数据到信号

4.1 数据从哪里来

p20开始动手写第一个简单的策略demo，用到的数据是tushare或者其他免费数据源。这里有个大坑，我先提醒一下：现在很多数据源的接口改了规则，老视频里的代码直接跑会报错，别慌，这是正常现象。我写这篇笔记的时候，tushare pro需要积分才能获取完整日线数据，但基础的每日行情数据用免费额度基本够用。

如果你不想注册、不想搞token，也可以直接用yfinance拉美股数据，接口稳定、不用注册。或者用akshare，覆盖国内数据，免费且接口比较干净。选数据源的原则就一条：先跑通流程，别在数据下载上耗太久。

import pandas as pd import numpy as np from sklearn.linear_model import LinearRegression # 模拟数据：过去20天的收盘价 np.random.seed(42) price = pd.Series(np.cumsum(np.random.randn(100) * 2 + 50)) # 构造特征：过去N天的收益率 df = pd.DataFrame({'price': price}) df['ret_1'] = df['price'].pct_change() df['ret_2'] = df['price'].pct_change(2) df['ret_3'] = df['price'].pct_change(3) df['ret_5'] = df['price'].pct_change(5) # 标签：未来1天的收益率 df['target'] = df['price'].shift(-1) / df['price'] - 1 df = df.dropna() # 特征和标签划分 X = df[['ret_1', 'ret_2', 'ret_3', 'ret_5']].values y = df['target'].values # 划分训练集和测试集 split = int(len(X) * 0.8) X_train, X_test = X[:split], X[split:] y_train, y_test = y[:split], y[split:] # 训练线性回归模型 model = LinearRegression() model.fit(X_train, y_train) # 预测测试集 y_pred = model.predict(X_test) # 简单判断方向：预测涨就买，预测跌就卖 signal = np.where(y_pred > 0, 1, -1)

这段代码看着简单，但包含了完整流程：造数据、做特征、设标签、分训练集测试集、训练模型、生成交易信号。我建议你一定要亲手敲一遍，而不是复制粘贴。敲的过程中你会注意到很多细节，比如pct_change会产生NaN需要dropna，比如shift(-1)才是“未来一天”，方向搞反了整个模型就废了。

4.2 这个demo的局限：它离“策略”还差得远

p20这个demo说白了是个教学演示，不是能实盘的东西。它没有算交易成本，没有考虑资金管理，也没有做任何回测验证。线性回归预测涨跌幅，本身就是一个极弱的模型，更别说只用过去几天收益率当特征，这本质上就是在预测一个随机游走序列——理论上就赚不到钱。

但它的意义在于：把一个抽象的“量化机器学习流程”变成了具体可运行的代码。你可以改特征、换模型、调参数，然后在同样的数据上看效果变化，这是理解整个系统的最高效路径。我自己当年就是把每个小demo都改一遍、折腾一遍，才真正把流程刻进脑子里的。

4.3 特征工程初体验：不是特征越多越好

p16到p20虽然没有展开讲特征工程，但demo里其实隐含了这个问题。上面代码里我用了ret_1、ret_2、ret_3、ret_5四个特征，它们之间高度相关——都基于同一个价格序列算出来的。特征之间的相关性高，会对某些模型（比如线性回归的系数解释）造成干扰，但这不代表模型完全不能用。

新手做特征工程最大的误区是堆特征，觉得特征越多信息越多，模型越准。实际往往是反的：冗余特征带来噪声，增加过拟合风险，拉慢训练速度。我的习惯是，先用手里的数据做几个有业务逻辑的特征，跑一版看效果，再逐步加特征，对比验证每个特征是否真的在“增量”。这个方法论比特征本身重要得多。

5. 常见问题与排查技巧实录

5.1 pandas的pct_change和shift方向搞混

这是我自己第一批踩的坑，也是我带新手时见的最多的错误。pct_change是算当前值相对前一个值的变化率，方向是“过去 → 当前”；而shift(-1)是把整个序列往前移动一格，相当于把未来的值放到现在的位置。做标签时要用shift(-1)把未来收益挪到当前行，做特征时用pct_change是取值过去的变化。

我见过有人把标签方向弄反了，模型训练出来预测结果和实际走势恰好相反——预测涨的它跌、预测跌的它涨。但神奇的是，如果忽略正负号只看绝对值，模型“准确率”还挺高。这种错误最迷惑人，因为你会觉得自己已经做出来了，只是效果不够好，于是开始调参、换特征，折腾半天才发现方向反了。

注意：写完特征和标签后，先打印出最后几行看一遍，确认“当前行的特征是已知的，标签是未来发生的”，这是最便宜的验证方式。

5.2 sklearn版本更新导致的代码不兼容

老视频里的很多代码在最新版sklearn下会报Warning甚至Error，最典型的就是一些旧API被移除了。比如老代码里可能有from sklearn.cross_validation import train_test_split，这个模块早就被移到sklearn.model_selection底下了。解决方法很简单：报错了就搜一下新API是什么，别死磕旧代码。

顺便说一句，国内访问部分pip镜像源不稳定，建议把源切到清华或者阿里云：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple scikit-learn pandas numpy

或者一次性配置好：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

5.3 jupyter kernel连接不上

这个问题在新手期太常见了。明明conda环境里装了库，jupyter里import却报错，或者kernel直接死掉。原因通常是：jupyter不是在当前环境里启动的。解决办法：

conda activate your_env conda install ipykernel python -m ipykernel install --user --name your_env --display-name "your_env"

然后在jupyter界面里切换kernel到你刚注册的环境。这个操作本质上就是在告诉jupyter：“每个kernel对应哪个python环境，别搞混了”。

5.4 回测结果好得离谱，先别高兴

看p20的demo，如果你把策略的收益率曲线打印出来，可能会发现“哇这策略太强了”。停一下，先冷静。这个demo没有任何交易成本、没有任何滑点假设，它的“收益”是模型在测试集上预测方向和实际走势一致的累计结果，本质上是在验证模型有没有学到东西，不是在证明这个策略能赚钱。

真实的回测至少要包含：手续费和滑点、涨跌停无法成交的情况、停牌股的处理、信号产生到实际成交的时间差。这些p16到p20都没涉及，后面才会讲到。所以你现在看任何回测曲线，都默认打上“理想化”三个字，别上头。

6. 这4节课学完，你该有什么状态

按我的理解，p16到p20学完之后，你不需要背下来任何算法原理，也不需要记住所有函数参数。你只需要确认自己能做到三件事：

第一，能独立搭建起jupyter环境，知道在哪个环境里安装了哪些库。第二，能看懂一行简单的机器学习代码在做什么——特征、标签、训练、预测，这四个环节分别对应哪段代码。第三，能跑通上面那个demo，并且能动手改一个特征或多个参数，观察结果怎么变。

做到这三点，这4节课就算真正吸收了。如果还要再进一步，我建议你试着用真实股票数据替换掉demo里的模拟数据，把代码里sklearn的LinearRegression换成其他模型（比如随机森林RandomForest或者逻辑回归LogisticRegression），你会发现同一个流程换个模型只需要改一两行代码，但对整体流程的理解会深很多。

最后再分享一个小经验：学量化机器学习，最怕的不是数学差、代码弱，而是“看懂了但不动手”。视频里代码一跑，结果一出来，你觉得“我懂了”，关闭视频，三天后让你自己写，大脑一片空白。所以我的习惯是每看完一小节，先关掉视频，凭记忆手写一遍代码，写不出来的地方先空着，最后再对照视频补。这样折腾几轮，代码就是你自己的了。p21开始估计就要进入真实的特征工程和策略优化了，这部分底子打好了，后面会轻松很多。

本文还有配套的精品资源，点击获取