把机器学习用到股票预测（落地流程与坑）

一句话

「先用 talib 算 13 个指标、再全砍成 ±1、每天重训一个分类器去猜明天涨跌。」流程本身能跑；但能不能赚钱是另一回事——ML 批次里所有篇都只演示用法，低频量化的可交易性要靠回测方法论来审。

当前理解

• 特征（43 篇）：get_price 取前 35 个交易日 OHLCV（frequency='daily'，fields=close/high/low/volume），talib 算 13 个技术指标：SMA/WMA/MOM/STCK/STCD/MACD/RSI/WILLR/CCI/MFI/OBV/ROC/CMO。
• 标签：下一交易日收盘价 > 当日收盘价 → True；否则 False。
• 特征离散化（防过拟合核心）：talib 输出连续值；股市噪声多 → 连续值直接进模型易过拟合（回测好、实盘差）。把每个特征离散成 ±1：如 SMA<当日收盘 → 1，否则 −1（按各指标含义选比较基准）。把「幅度噪声」砍成「相对高低方向」，留更稳的定性关系。
• 滚动重训：每个交易日把今天样本加进训练集、重训新模型——市场分布非平稳，跟上新分布才不过时；代价是每天训练。
• 应用：svm.SVC() → fit(x_train,y_train) → predict(x_test)；朴素贝叶斯、随机森林同套路。原理篇：朴素贝叶斯 = 37 篇（postId 1727，已收录）；SVM（1510）、随机森林（1571）未收录本库。
• 同类把戏的谱系：37/42 篇用 SMA/WMA/MOM 三指标演示朴素贝叶斯/神经网络——43 篇是这套演示的「13 特征 + 多算法 + 每天重训」工程化升级，机器学习八篇的收官。
• 诚实的基调（贯穿 36–43）：41 篇说 toy 数据的 97% 在真实涨跌达不到；42 篇说「人脑也未必准」；43 篇只到「预测对错」为止。ML 在低频量号的作用是「给策略配学习器」，不是印钞机。

来源

• 手把手教你如何应用机器学习 — 核心（量化课堂第 43 篇，postId=1900）
• 关联概念：朴素贝叶斯（贝叶斯定理 + 条件独立 + 后验最大化的分类器）（三算法之一的原理）、熵与信息增益（衡量特征/因子带来多少信息）（特征有效性/特征选择的 ML 理论起点）、kNN（k 最近邻分类）（另一个分类器家族，同为「分类器预测涨跌」）、聚宽行情与财务数据获取 API（get_price/get_all_trade_days 等平台 API）
• 相关素材：朴素贝叶斯入门、神经网络入门

常见混淆

• 「防过拟合的离散化」≠「随便丢信息」：砍的是噪声幅度，留的是「相对价格高低」的方向——不是任意二值化，比较基准要按各指标含义定。
• 「每天重训」≠「策略自动赚钱」：原文没有回测/胜率/收益数字；预测对错到真金白银之间还差股票池、仓位、调仓、成本、容量整套东西。
• 技术指标当特征 ≠ 截面因子选股：43 篇是「单只股票、时序、次日方向分类」；因子选股（排名 / 打分 / 阈值筛选） 是「全市场横截面排序」。两者都叫「特征/因子」，机制完全不同，别混。
• 单日测试样本（37/42 篇的 2016-6-3）只是跑通代码，不是验证；正确率要在长样本、样本外测。
• 算法能算 ≠ 低频有效：本库 ML 批次全是「算法原理 + 用法演示」；能不能稳定赚钱，要交给回测方法论（W9 QuantStart）去审——这正是本库把「策略库」和「验证方法论」分开收的原因。

开放问题

• 13 个指标离散化的比较基准逐指标怎么设（43 篇只示范了 SMA）[需要验证]。
• 特征高度相关（技术指标同源）时的去冗余没处理；信息增益（36 篇）也没有多特征联合框架。
• 滚动重训的频率/窗口长度对性能的影响、与「简单规则基线」的对照，都没讨论。
• 预测正确率即便 >50%，扣完交易成本是否仍有超额——低频语境里这是开放问题；43 篇的代码也只到预测层。