21天机器学习量化交易学习计划摘要 本计划提供为期3周的机器学习核心算法系统学习路径，专向量化交易场景设计。每日4小时学习包含理论推导、编程实战和复盘三部分： 学习阶段： 第1周：基础模型（线性回归、逻辑回归、KNN、决策树） 第2周：集成学习（随机森林、XGBoost）与SVM 第3周：无监督学习（KMeans、PCA）和神经网络（MLP、LSTM） 特色实践： 使用真实金融数据构建技术指标 对

1. 机器学习核心概念2. 过拟合与欠拟合详解3. 数据集划分（训练/验证/测试）4. 回归评估指标（MSE/MAE/R²）5. 分类评估指标（准确率/精确率/召回率/F1/AUC）

本文摘要： 本文是机器学习基础实战的第一天内容，主要包含回归任务和分类任务的评估指标实践。首先通过生成非线性数据演示了过拟合/欠拟合现象，对比了不同复杂度决策树模型的表现，并使用学习曲线诊断过拟合问题。随后详细介绍了回归评估指标（MSE、MAE、R2）的计算方法，并通过可视化展示指标差异。分类任务部分同样包含数据生成、模型训练和评估指标（准确率、精确率、召回率、F1、AUC-ROC）计算的全流程演

本文介绍了Keras深度学习框架的核心概念和使用方法。主要内容包括：Keras/TensorFlow概述、神经网络核心组件（层、激活函数、损失函数等）、模型搭建的两种方式（Sequential和Functional API）、模型编译与训练流程、回调函数的使用（如早停、模型保存等），以及过拟合与正则化技术。文章通过代码示例和对比表格，详细讲解了Keras的基本用法和最佳实践，适合初学者快速掌握深度

DuckDB 是一款高性能嵌入式列式数据库，专为数据分析优化。它支持标准SQL，可直接查询CSV/Parquet文件而无需导入，与Python生态无缝集成（Pandas/Polars/Arrow）。核心特点包括零配置、进程内运行、列式存储和向量化执行引擎。本文涵盖从基础安装、表操作到高级功能（窗口函数、嵌套数据处理、JSON查询）的全方位指南，并深入探讨性能优化技巧（分区、索引、查询分析）。Duc

本文介绍了Keras深度学习框架的核心概念和使用方法。主要内容包括：Keras/TensorFlow概述、神经网络核心组件（层、激活函数、损失函数等）、模型搭建的两种方式（Sequential和Functional API）、模型编译与训练流程、回调函数的使用（如早停、模型保存等），以及过拟合与正则化技术。文章通过代码示例和对比表格，详细讲解了Keras的基本用法和最佳实践，适合初学者快速掌握深度

ROC（变化率指标）是一种动量震荡指标，通过计算当前价格与特定周期前价格的百分比变化来衡量价格变动速度。其核心公式为：(当前价 - N周期前价)/N周期前价 × 100。ROC以0轴为多空分界线，正值表示上涨动量，负值表示下跌动量。主要应用包括： 零轴穿越判断多空转换 结合历史波动范围识别超买超卖 价格与指标的背离预警趋势反转 数值变化反映趋势加速度 可添加移动均线生成信号线交叉信号 ROC优势在

MOM动量指标技术分析摘要（149字） MOM动量指标通过计算当前价与N周期前价格的差值（△Price）来量化趋势速度。核心用法包括：1）零轴穿越作为基础买卖信号；2）数值正负判断多空趋势强度；3）结合历史极值识别超买超卖；4）价格-MOM背离捕捉反转机会。该指标具有计算简单、信号直观的特点，常与MACD、RSI等指标配合使用。需注意MOM无固定波动区间，参数设置（默认10周期）需根据交易品种调整

1. 机器学习核心概念2. 过拟合与欠拟合详解3. 数据集划分（训练/验证/测试）4. 回归评估指标（MSE/MAE/R²）5. 分类评估指标（准确率/精确率/召回率/F1/AUC）

摘要： MAD法（Median Absolute Deviation）是一种基于中位数的稳健去极值方法，通过计算数据点与中位数的绝对偏差中位数来识别异常值。相比3σ法，MAD对极值不敏感，可抵抗高达50%的异常干扰，适用于金融、生物统计等非正态数据。其步骤包括：计算中位数→绝对偏差→MAD→转换为稳健标准差（×1.4826）→设定阈值截断或删除极值。优势在于中位数和MAD均不受极端值影响，而3σ法