本课内容
- 为什么市场对机器学习很难
- 过拟合是什么
重点回顾
- 1市场是嘈杂的、适应性的、非平稳的
- 2过拟合记住噪音，在新数据上失败
- 3稳健的验证比花哨的模型更重要
课程摘要
机器学习在金融领域之所以困难，是因为市场会适应。
思维模型
用浅显语言理解 金融领域的机器学习
机器学习在金融领域之所以困难，是因为市场会适应。一旦交易者利用了某个模式，或条件发生变化，这些模式就可能消失。.
- 为什么市场对机器学习很难
- 过拟合是什么
核心机制
如何理解 金融机器学习
金融数据充满噪音，且往往不具备平稳性。.
如果数据集创建得不谨慎，标签可能会泄漏未来的信息。.
模型需要真实的验证方式、交易成本，以及跨市场状态的测试。.
- 市场是嘈杂的、适应性的、非平稳的
- 过拟合记住噪音，在新数据上失败
- 稳健的验证比花哨的模型更重要
实例
金融机器学习 在真实决策中的应用
一个根据社群情绪预测报酬的模型，可能在牛市期间表现优异，却在流动性枯竭或叙事轮动时失效。.
请牢记决策规则：在一个金融模型通过样本外与类实盘测试之前，先假设它是脆弱的。.
常见误区
人们在 金融机器学习 上的失误
回测分数高，可能来自数据泄漏、过拟合，或幸运的样本选择，而不是真正的优势。.
风险提示
在 金融机器学习 周围保持安全
前视偏误、存活者偏误、相关性变化，以及不切实际的运行假设，都可能摧毁实盘表现。.
- 检查是否存在前视偏误。
- 纳入成本与滑点。
- 在不同的市场状态下测试。
实践练习
在继续之前，用 金融机器学习 来练习
- 检查是否存在前视偏误。
- 纳入成本与滑点。
- 在不同的市场状态下测试。
复习
关键术语
- 牛市
- 价格持续上涨、市场情绪乐观的时期。
- 流动性
- 资产在不大幅影响价格的情况下被买入或卖出的容易程度。
- 滑点
- 预期价格与实际成交价格之间的差异，在低流动性或快速波动的市场中常见。
- 机器学习
- 从数据中学习规律的算法，而非被明确编程。
- 过拟合
- 模型记住噪音、无法泛化到新数据时出现的问题。
参考来源
编辑参考资料
这些参考资料是验证本课所涉机制、风险核查与产品背景的基础。
nist.gov/publications/artificial-intelligence-risk-management-frameworkNIST AI 风险管理框架（AI RMF 1.0）提供 AI 系统可信度评估框架，包括鲁棒性、可解释性与偏差检测，适用于金融 AI 风险分析。owasp.org/www-project-top-10-for-large-language-model-applicationsOWASP 大语言模型应用 Top 10列举 LLM 应用的十大安全风险，包括提示词注入、幻觉输出及不安全的工具调用。developers.gaiaex.comGaiaEx 文档GaiaEx API 官方参考，涵盖身份认证、订单提交、账户管理及现货、永续合约端点。developers.gaiaex.com/securityGaiaEx 安全与自托管说明 MPC 钱包架构、EIP-712 签名流程及 GaiaEx 非托管模式下用户的自主控制原则。
继续之前
你能做到以下这些吗？
- 检查是否存在前视偏误。
- 纳入成本与滑点。
- 在不同的市场状态下测试。
相关学习内容
继续阅读
检查点
完成本课
通过检测以保存进度，然后依次继续本轨道的学习。
知识检测
1 / 2确认完成本课
答对所有题目方可完成本课。
机器学习中的过拟合意味着模型……