ML4T · 第 10 章 无监督学习与深度学习强化学习

ML4T · 第 10 章 无监督学习与深度学习强化学习

章节摘要:本章属「高阶篇」,是全书的高阶核心之二,也是内容最综合的一章。讲清无监督学习、深度学习与强化学习在交易中的典型应用。先用 PCA 提取隐性风险因子;再用 t-SNE 与 UMAP 刻画资产的流形结构;接着用层次风险平价(HRP)做稳健的资产配置;然后进入深度学习,搭前馈网络(FNN)做收益预测;再用 LSTM 做时序预测;最后用深度 Q 网络(DQN)训练一个强化学习交易 Agent。本章共 6 节,素材来自原项目 13_unsupervised_learning、17_deep_learning、19_recurrent_neural_nets 与 22_deep_reinforcement_learning,前置依赖为「第 9 章」。

学习目标

阅读完本章,你应当能够:

1. 用 PCA 提取隐性风险因子与降维。
2. 用 t-SNE 与 UMAP 刻画资产的流形结构与聚类。
3. 用层次风险平价 HRP 做稳健的资产配置。
4. 搭前馈网络 FNN 做收益预测。
5. 用 LSTM 做金融时序预测。
6. 用 DQN 训练强化学习交易 Agent。

⚠️ 本章涉及深度学习与强化学习策略,仅供学习研究,深度模型与强化学习极易过拟合且难以稳定收敛,切勿直接用于实盘。

核心概念速览

深度学习与强化学习是金融 ML 的天花板——能力最强,但过拟合与训练不稳定也最难缠。

子章节导航

01 PCA 与风险因子

用主成分分析提取隐性风险因子与降维。

02 t-SNE 与 UMAP 资产流形

用 t-SNE 与 UMAP 刻画资产的流形结构与聚类。

03 层次风险平价 HRP

基于聚类与层次结构的稳健资产配置方法。

04 深度网络 FNN

用前馈神经网络做收益预测,理解过拟合与正则化。

05 LSTM 时序预测

用 LSTM 处理时序依赖,做金融序列预测。

06 强化学习交易 Agent DQN

用深度 Q 网络训练一个端到端的强化学习交易 Agent。

子章节之间的逻辑关系

本章第 01 节(PCA) ──► 第 02 节(t-SNE/UMAP) ──► 第 03 节(HRP 配置)
   │
   ▼
第 04 节(FNN) ──► 第 05 节(LSTM) ──► 第 06 节(DQN Agent)
   │
   ▼
进阶方向(自定义模型、生产化部署)
​

前置知识与后续延伸

前置知识:

• 第 9 章(树模型与非线建模基础)

后续延伸:

• 可进一步学习自编码器、GAN 合成数据、CNN 应用于金融图表
• 强化学习方向可深入 Actor-Critic、PPO 等更稳定的算法