分类目录归档：人工智能
面向：0-5年量化分析师、交易员转量化、金融科技从业者
核心承诺：避开90%的量化陷阱，建立可落地的知识体系，实现稳定超额收益
本电子书内容为原创，仅供个人学习使用，禁止商业转载或二次分发。如需引用，请注明出处。
为什么90%的AI量化策略回测猛如虎，实盘亏成狗？为什么同样用XGBoost和LSTM，有人年化30%，有人爆仓离场？
答案不是模型不够复杂，也不是数据不够多，而是分析层次的差距。绝大多数人停留在"数据拟合"的低层次，忽略了数据治理和...
时间序列预测300篇系列教程完整规划
一、系列整体定位与核心目标
核心定位
本系列是从零基础到时间序列预测全栈精通的体系化原理教程，完整覆盖时间序列预测的全技术链路，遵循「认知筑基→数学底层→经典算法→机器学习→深度学习→时序大模型→进阶任务→行业落地→工程实践→前沿趋势」的渐进式路径，拒绝碎片化知识，每篇聚焦1个核心知识点，讲透原理、讲清逻辑、讲明落地方法，兼顾入门友好性与工业级专业深度。
目标受众
• 零基础时间序列入门者、高校学生
• 金融、零售、能源、工业、交通等行业的业务、产品、运营人员
• 想深耕时序预测的算法工程师、数据科学家、数据分析师
• 希望补齐时序预测原理短板、解决...
以下是一份补充了人工智能、机器学习和深度学习相关内容的“个人量化全栈开发 - 自研课程”大纲：
本课程旨在培养学员成为具备全栈开发能力且能运用人工智能技术的量化开发者，全面涵盖前端、后端、数据库、量化策略开发以及人工智能相关领域知识，通过丰富的实际项目案例，使学员掌握从数据获取、分析到可视化展示，以及构建智能量化交易系统的综合技能，为进入量化金融与人工智能融合的前沿领域或提升个人专业能力奠定坚实基础。
定位：数据分析四层体系（描述→诊断→预测→决策）核心中层，承接现状复盘、支撑后市预判，是金融时间序列市场预测的前置核心根基。 全文围绕：是什么、做什么、核心原理、完整流程、技术体系、核心框架、金融时序落地场景、与预测联动逻辑、进阶难点系统化拆解。
基于历史存量数据、时...
TSLib 是由清华大学机器学习实验室（THUML）开源的面向深度学习研究者的时间序列分析工具库，核心聚焦于深度时间序列模型的评测与研发，是一个功能全面、易扩展的代码基准库。
提供整洁、统一的代码框架，支持长短期预测、缺失值插补、异常检测、分类五大主流时间序列任务，同时适配大型时间序列模型（LTSM）的零样本预测评估，既可以复现SOTA模型，也能快速开发自定义模型。
覆盖数十种主流/前沿时间序列模型，且持续更新： - 经典基础模型：Transformer、Informer、Auto...
PyFlux 是一个专为 概率时间序列分析 设计的 Python 库，它将现代统计模型与贝叶斯推断框架相结合，提供了从数据预处理到模型诊断的完整工作流程。以下是该库所有核心功能的系统性介绍。
PyFlux 的设计基于三个支柱： - 贝叶斯优先：默认使用 MCMC 等贝叶斯方法进行参数估计，提供完整的后验分布而非点估计 - 状态空间统一：多数模型可表示为状态空间形式，统一处理观测方程和状态方程 - 模块化架构：模型构建、参数估计、预测和诊断相互独立，可灵活组合
pf...TSLib 是一个开源的深度学习库，专为深度学习研究人员设计，尤其适用于深度时间序列分析。该库提供了简洁的代码基础，用于评估先进的深度时间序列模型或开发新模型，涵盖了五个主流任务：长期和短期预测、缺失值填补、异常检测和分类。
在金融时间序列分析中，“波动”是一个核心概念，它直接关系到风险评估、资产定价和投资决策。传统的统计模型通常假设数据的方差恒定（即“同方差”），但金融数据（如股票收益率、汇率波动）往往表现出“波动聚类”特征——大的波动之后往往跟随大的波动，小的波动之后往往跟随小的波动，这种方差随时间变化的特性被称为“异方差”。GARCH模型正是为捕捉这种动态波动特性而设计的经典工具。
GARCH模型的全称是广义自回归条件异方差模型（Generalized Autoregressive Conditional Heteroskedasticity Mode...
在实际深度学习时序预测中，“数据量小/大”没有绝对标准，但有一些经验参考：
数据量小：
通常指样本数低于几千条（如<2000~3000），或者训练集天数少于1年（A股5分钟数据一天48条，1年约1万条）。 特征维度多时，样本数/特征数比值低于10~20，也算偏小。 小数据下，复杂模型（如一次性多步Seq2Seq）容易过拟合，递归单步预测更稳健。 数据量大：
样本数达到几万条以上（如>10000~20000），或训练集覆盖2年以上。 特征维度不多时，样本数/特征数比值高于50~100。 大数据下，一次性多步预测模型能学到更复杂的时序关系，效果更好。 预测步数（序列长度）：
短步...