Machine-Learning-and-AI-in-Trading：让 AI 替你在股市里"看K线"

从手动下单到算法下单：一位印度工程师的量化探索

2017年，一位名叫 Harsh Patel 的印度工程师在 GitHub 上传了一个仓库。他白天在 MiRL Lab 研究深度学习在医学影像中的应用，晚上和周末则埋头研究另一件事：能不能让机器学会炒股？

他的个人网站这样描述自己："我出身农民家庭，靠着野心和快速学习能力走到了今天。"这个仓库——Machine-Learning-and-AI-in-Trading，就是他用代码践行野心的证明。

这个项目不是什么华尔街顶级量化基金的高深策略，而是一个典型的个人探索型量化实验。代码里充满了实验性的尝试：从最基础的 SVM（支持向量机）到多层感知器（MLP），从 GMM（高斯混合模型）市场状态识别到蒙特卡洛期权定价——你能看到一个人从"用机器学习预测股价"这个朴素念头出发，一步步尝试各种方法的完整轨迹。

核心技术架构：三条技术路线

整个项目代码量不大，仅包含两个核心 Python 脚本和一些研究型子模块，但涉及的技术栈相当全面，体现了量化交易研究中的典型工具链。

第一条路线：SVM + GMM 市场状态分类（SVM_Strategy.py）

这是项目的核心实验代码。作者用 pandas_datareader 从 Yahoo Finance 获取 SPY（标普500ETF）2000年到2017年的历史数据，通过 TA-Lib 计算技术指标：RSI（相对强弱指数）、SMA（简单移动平均线）、ADX（平均趋向指数）、SAR（抛物线止损反转）。然后用高斯混合模型（GMM） 将市场划分为若干"状态"——牛市、熊市、高波动、低波动等，最后用支持向量机（SVM） 在历史数据上训练，预测下一个交易日是买入、卖出还是持有信号。

作者在代码注释里承认，SVM 部分存在一些变量名拼写错误（unsup/unsupp/Regimes.Columns 等），导致该脚本实际上无法直接运行。这是一个典型的问题——代码更像是草稿而非生产级实现。

第二条路线：MLP + TensorFlow 股价预测（Trading_MLP_TF.py）

这个脚本用 TFANN（一个轻量级 TensorFlow MLP 封装）做股价回归预测。作者构建了一个10层深的神经网络（输入层→9个隐藏层→输出层，每层32个神经元），用 yahoostock.csv 作为数据源，通过 L2 正则化防止过拟合，ADAM 优化器最小化均方误差。训练完成后对测试集做预测并绘图。

有趣的是，这个脚本同样存在运行时错误——代码中混合了函数定义和执行逻辑，filePath 变量未定义，缺少 fit/predict 方法的实际调用——但核心的神经网络架构设计是清晰的。

第三条路线：蒙特卡洛期权定价 + 对数正态回归

项目还包含 C++ 实现的蒙特卡洛期权定价器（Monte_Carlo_call_option_pricer_simple.cpp）以及比特币价格的对数正态分布回归分析（lognormal_reg.py）。这些模块体量较小，更像是作者学习量化金融工具时的练习代码。

图1：比特币价格的对数正态回归拟合（来源：项目仓库）

技术栈全景

量化交易的现实与局限

这个项目最有价值的部分不是代码本身，而是 README 中透露的研究轨迹：作者从 LSTM 开始探索（"LSTM 给出了有希望的结果"），然后转向 MD-LSTM 和 MiD-LSTM，同时尝试 GMM + SVM 的市场状态分类，以及基于规则的日内策略。这个从失败到新尝试的循环，本身就是量化研究的真实面貌。

不过必须指出，这个项目存在严重局限：

1. 数据质量问题。使用 Yahoo Finance 免费数据存在幸存者偏差（只使用目前还存在的股票，历史上退市或破产的股票不在数据集中），会导致回测结果过于乐观。

2. 过拟合风险。策略在单一资产（SPY）和单一时间段上优化，没有做交叉验证或样本外测试。一个在历史数据上"完美"的策略，往往在实盘中表现糟糕。

3. 交易成本被忽略。代码中计算收益时完全没有考虑手续费、滑点和流动性限制，这在实际交易中会显著影响策略盈利能力。

4. 代码本身无法运行。SVM 脚本存在变量名拼写错误，MLP 脚本缺少依赖变量定义。作者也在 README 里坦承："These are my own codes which are strictly experimental."

一句话总结

这是一个个人量化研究实验库，展示了用机器学习做股价预测和交易策略探索的典型流程。代码非生产级，但作为学习量化交易研究方法的参考素材——特别是了解如何将技术指标、市场状态识别与机器学习分类器结合——具有一定的启发价值。

适合谁看：对量化交易好奇、想了解 ML 在金融领域应用的初学者。不适合想直接拿代码实盘的人。