手把手教你如何应用机器学习

量化课堂第 43 篇（postId=1900，作者 yongpeng.r，编辑宏观经济算命师，难度进阶上、理解深度 level-0，版本 V1.0）。机器学习八篇（36–43）的收官应用篇：把「每个算法配一个 toy 例子」升级成贴近实际的完整流程——13 个 talib 技术指标当特征、连续特征离散化成 ±1、SVM/朴素贝叶斯/随机森林预测次日涨跌、每个交易日把今天数据并入训练集重训新模型。全文最强调两件事：股市噪声大，特征必须离散化防过拟合；本流程只展示「怎么用」，不对预测准确性做担保。素材见 raw/collections/jq-quant-classroom/43-43-手把手教你如何应用机器学习md.md。

量化机器学习特征离散化过拟合SVM滚动重训

这是什么

一篇流程示范文，正文给出关键代码片段（特征计算、标签、离散化、SVM 应用四段）。它把之前数学课堂讲过的分类算法（SVM、朴素贝叶斯、随机森林）接到真实数据管线上：特征取自一只股票的近 35 个交易日、经 talib 计算并离散化，标签是次日涨跌方向，算法预测并每天滚动重训。没有回测收益数字——它的价值在「一套能跑的用法」，不在「赚不赚钱」。

核心要点

特征计算（talib，13 个指标）

取前 35 个交易日的开高低收与成交量：get_all_trade_days() 定位交易日，get_price(test_stock, start_date=start_day, end_date=end_day, frequency='daily', fields=['close','high','low','volume'])。
talib 特征：SMA、WMA、MOM、STCK、STCD、MACD、RSI、WILLR、CCI、MFI、OBV、ROC、CMO。
取最新值的写法：talib.SMA(close_prices)[-1]。

分类标签

下一个交易日收盘价 > 当前交易日收盘价 → label=True；否则 False。

特征离散化（防过拟合的核心）

talib 算出的是连续值；股市噪声非常多，直接把连续值特征喂给机器学习算法，很可能过拟合（回测结果好、实盘结果差）。
解法：结合各指标含义，把连续值离散成二值 ±1。例如 SMA：SMA < 当日收盘价 → 特征值 1；SMA ≥ 收盘价 → −1（x_all 的第 1 列是 SMA）。
即：把连续指标的「大小幅度」砍成「相对价格的高低方向」，留下更稳的定性信息。

应用机器学习算法

用 svm.SVC() → clf.fit(x_train, y_train) → clf.predict(x_test) 预测次日涨跌。朴素贝叶斯、随机森林同套路。
为贴近实际：每天把当天数据加进训练集，因为训练集变了，每天都训练一个新模型（滚动重训）。

机制 / 论证

为什么离散化能防过拟合：涨跌预测的特征信噪比极低，连续数值里大量是噪声幅度；模型若去拟合这些幅度就会「记训练集、败实盘」。把特征压成「相对高低」的定性方向后，模型学到的是更稳的关系。
为什么每天重训：市场分布非平稳，昨天的模型对今天可能已过时；把最新一天加进去让模型跟上新分布。代价是每天都要训练一遍。
为什么作者不给收益结论：原文明说这些文章是「帮助大家使用算法」，末段提醒读者参照原理篇；本库的解读是——它演示到「预测对错」为止，到「能赚钱」还差仓位、调仓、成本等一整套策略零件（见聚宽量化课堂（低频量化策略 43 篇）的主线）。

可操作

完整 pipeline（代码在文末研究模块 notebook，notebookCloneCount=1196；raw 只含关键片段）：
1. get_all_trade_days() 定位交易日；get_price(..., frequency='daily', fields=['close','high','low','volume']) 取 35 日 OHLCV。
2. talib 算 SMA/WMA/MOM/STCK/STCD/MACD/RSI/WILLR/CCI/MFI/OBV/ROC/CMO。
3. 逐特征与参考基准（如当日收盘）比较，离散成 ±1。
4. 标签 = 次日收盘 > 当日收盘。
5. clf = svm.SVC(); clf.fit(x_train, y_train); prediction = clf.predict(x_test)。
6. 每个交易日把今天样本并入训练集、重训新模型。
关键聚宽 API（已保留）：get_price（start_date/end_date/frequency/fields）、get_all_trade_days；talib 特征库。
预测对错 ≠ 能赚钱：要变成策略还得补股票池、仓位、调仓、成本与验证（本库回测方法论见 W9 的 QuantStart 批次，未在本文）。

术语

特征离散化：把连续值特征转成二值（±1）等离散值。
过拟合：模型在训练集上表现好、在实盘/新数据上差（回测好实盘差）。
滚动重训：每来一天新数据就重训一次模型。
SVM / 随机森林 / 朴素贝叶斯：本文使用的三个分类算法（SVM、随机森林原理篇未收录本库）。
talib：技术指标计算库。

不确定 / 待验证

SVM（postId 1510）与随机森林（postId 1571）的原理篇不在本库，两者概念只以名字出现 [需要验证]。
完整代码（数据拼装、训练/测试切分、三算法的完整写法）在研究模块 notebook，raw 只有四段关键代码。
「每日重训」没有任何回测/胜率/收益数字；预测对错到「能赚钱」之间差一整个策略。
逐指标离散化的比较基准只示范了 SMA（与当日收盘比），其余 12 个指标的基准未逐个展开 [需要验证]。
13 个特征同源于技术指标，互相高度相关；没有去冗余处理（36 篇的信息增益也没给多特征联合框架）。
x_all[index][-1] 这种末位取值、python2 习惯等是 2016 语境代码，落地以现行 API 为准。