📈 Quant Strategy Schools Quant Schools

🌐 In-depth sections (principle, code, trade-offs, references) are kept in the original Chinese for now; translations are being added progressively.

Alternative / AI Level：Advanced #机器学习#AI#非线性

Machine Learning Strategies

Plain words

Let models learn non-linear patterns from data — powerful, but easy to overfit.

✅ Strengths

  • 可拟合复杂非线性关系
  • 天然融合多源异构数据
  • 自动化特征交互
  • 迭代空间大

⚠️ Weaknesses / Risks

  • 极易过拟合（看似完美）
  • 需海量数据与算力
  • 可解释性差、黑箱
  • 实盘分布漂移导致失效

Reference code python

import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import TimeSeriesSplit def train_ml(X: pd.DataFrame, y: pd.Series): tscv = TimeSeriesSplit(n_splits=5) # 必须按时间切, 不能随机! model = RandomForestClassifier(n_estimators=200, max_depth=6) for tr, te in tscv.split(X): model.fit(X.iloc[tr], y.iloc[tr]) # 在 te 上评估 IC / AUC, 严禁用未来信息 return model

A minimal runnable snippet for understanding the idea only — live use requires data, fees, risk controls and a backtest framework.

References

🌦️ Suited market regime

数据量大、模式稳定或可学习非线性结构、非制度突变的市场（中高频量价、跨资产融合）。

⚔️ Strategy matchups

Counters

Countered by

分布漂移、黑天鹅、过拟合时被规则化策略（趋势/均值回归）克制；数据质量差或信息泄漏时严重失效。

🌍 Global macro & political shocks

机器学习模型学到的是历史数据的分布。宏观制度变迁与政治黑天鹅属于「分布外样本」，是 ML 策略的天然盲区——它往往在最需要谨慎的时候给出自信的错误预测。

📈 Macro factors

  • Benefits 制度稳定 / 分布平稳

    训练与预测分布一致，模型稳定发挥，非线性优势可体现。

  • Hurt 政策转向 / 制度变迁（regime shift）

    分布漂移，历史模式失效，模型持续亏损且难以自诊断。

  • Hurt 利率机制 / 波动率机制改变

    量价关系被重构，原有特征与目标变量的映射失效。

  • Two-sided 宏观数据发布（结构性断点）

    若模型已纳入事件特征则可控，否则易在发布日失效。

  • Two-sided 流动性变化

    主要影响执行成本；若已建模交易成本则影响有限。

🏛️ Political & geopolitical events

  • Hurt 黑天鹅 / 突发战争

    训练分布之外的尾部事件，模型无法预测且可能给出反向信号。

  • Hurt 监管改变市场微结构（交易税、熔断规则、T+0）

    市场微观结构变化使历史模式失效，需完全重训。

  • Hurt 数据合规 / 隐私监管（限制另类数据）

    核心特征断供，模型输入缺失导致失效。

  • Two-sided 产业政策突变

    若特征中包含政策变量可较快适应，否则滞后。

  • Hurt 交易所停牌 / 行情数据中断

    输入缺失，预测不可靠，应停止交易。

Thrives / breaks down：适应：分布平稳、模式可重复、特征可持续获取、有严格样本外验证与在线监控。崩坏：制度突变、黑天鹅、过拟合外推、数据断供。

💡 Conversation starters (click to ask)

Not sure where to start? Pick a question and post it.

💬 Discussion