天驭学院 · 教学材料 · 机器学习交易入门
課程講義
特征构建练习不仅看列数，还要证明未来追加不会改写过去特征。固定窗口的过去特征应满足前缀不变性，全样本归一化通常不满足。
计算完整与截断样本特征→比较共同前缀→核时间边界→输出缺值和有效样本→保留错误反例。
若追加未来高价后过去标准化值全变，说明什么？应该怎样修正训练/测试处理？
说明可能使用全样本统计泄漏；仅训练拟合尺度，测试只transform。滚动在线处理也要只用当时过去，并保留版本。
标签定义close[t+5]/close[t]−1>0。训练结束100、测试从101起，则t=96…100的标签触及测试期，应移除。最后5行没有完整标签，不可用比较NaN后得到False的方式将其当负类。
时间相邻样本强相关，随机拆分会高估独立性；不能仅加一个shift就宣称所有泄漏已消除。
先按README安装本实验的明确依赖。若依赖或平台不可用，应标记未运行，不以源码下载代替运行证据。
python ml_lab.py课程数值、价格、账户和案例均为教学假设；固定材料可离线复现。完成标记仅记录学习，不是能力认证、服务批准或收益保证。
特征构建练习不仅看列数，还要证明未来追加不会改写过去特征。固定窗口的过去特征应满足前缀不变性，全样本归一化通常不满足。
按題設保存成果、核對參考結果後填寫自評。勾選不是自動批改或能力認證。
完成标记仅记录个人学习，不代表能力认证。练习使用教学假设或合成数据，不要求真实开户、入金或交易。