实践军规与全书总结

最后一页：把 López de Prado 的方法论收成一张军规清单，并给”要不要上机器学习”一个诚实的决策树。

七条金融 ML 军规#

先修数据，再谈模型：采样方式、标签定义、样本加权——数据管线的设计决定项目生死，模型选择只是最后 10%；
让 ML 做二级决策：方向交给有经济逻辑的信号（因子），ML 只回答”该不该信、下多大注”（元标签）——黑箱越靠近钱，越要小；
时间序列禁用普通交叉验证：只用 Purged K-Fold + embargo；任何打乱时间顺序的评估方法先默认它错；
每个回测都带”账本”：试验次数、参数搜索范围全程记录——没有账本的夏普是无法审计的夏普；
报告缩水后的指标：Deflated Sharpe、PBO——校正多重检验之后还活着的策略才算活着；
特征重要性优先于预测精度：ML 在金融最大的正当用途是理解（哪些特征携带信息、何时携带）而不是黑箱预测——先当显微镜用，再当水晶球用；
对”理论最优”保持怀疑：HRP 打败马科维茨优化的原因（对输入误差稳健）适用于一切场景——样本外稳健性是唯一的裁判。

要不要上机器学习：诚实决策树#

1
线性因子的功课做完了吗（IC/分层/多重检验/样本外）？
2
 ├─ 没有 → 先别碰 ML，回去补课（收益更大）
3
 └─ 做完了 →
4
     有干净的数据管线和试验账本吗？
5
      ├─ 没有 → 先建基础设施（本书前半部分）
6
      └─ 有 →
7
          从元标签开始（ML 做仓位/过滤），
8
          而不是从"深度学习预测涨跌"开始

这个顺序不是保守主义，是投入产出比：在金融里，方法论的收益 > 算法的收益，几乎没有例外。

逐部分一句话（快速复习卡）#

部分	一句话
数据结构（bars）	“日线”不是自然事实，采样方式是建模决策
标签与元标签	模型该学”交易怎么结束”；方向靠逻辑，ML 管仓位
样本权重	回测天数 ≠ 独立证据数
交叉验证	打乱时间顺序 = 让未来混进过去
回测过拟合	试验次数必须进入显著性折算

全书总结：五句话#

金融 ML 的失败 99% 死于数据处理和回测方法，不是算法不够新；
采样、标签、样本加权是建模决策——“日线 + 明天涨跌”不是天经地义；
试够多的次数，纯噪声也能给你夏普 2——试验次数必须进入显著性折算（Deflated Sharpe / PBO）；
ML 先当显微镜（特征理解），再当水晶球（预测）；方向靠逻辑，ML 管仓位；
样本外稳健性是唯一的裁判——对输入误差稳健的朴素方法，长期打败理论最优。

和其他书的关系#

它是《因子投资》多重检验章节的工程完全体：从”要警惕”升级到”这么算”；
它和《随机漫步的傻瓜》互为表里：塔勒布讲人为什么自欺，本书讲怎么用流程防自欺；
它是书屋的”最后一本书”：读完它，你对整个量化研究流程的怀疑精神就完整了。

在本平台试一试#

给自己建”试验账本”：从今天起记录每次因子尝试（名称、参数、结果、弃用原因）——一个月后你会震惊于自己的真实尝试次数；
对你最好的因子做穷人版 PBO：把回测区间对半切，前半段选出的”最优参数”，在后半段还是最优吗？
体会样本重叠：同一因子 period=20 时，相邻两期 IC 共享 19 天信息——把 IC 样本期数除以 period 再看 t 值，感受”有效样本”缩水多少。