机器学习（5 本）
量化最热的方向，也是坑最深的方向。这一组的共同主题其实是：如何在金融数据上用 ML 而不自欺。
23.《金融机器学习》/ Advances in Financial Machine Learning
Marcos López de Prado，2018｜中译：中信出版社，2021——中译警告：豆瓣仅 6.2，翻译口碑差（术语混乱、代码缩进错误），强烈建议读英文原版
金融 ML 方法论”圣经”：三重障碍标注、样本权重、purged CV、回测过拟合检测。社区共识评价很准确：读它学的是纪律，不是 Alpha——期待策略食谱的人会失望，但每个想在金融数据上跑模型的人都该先挨它一顿打。〔硬核〕
24. Machine Learning for Asset Managers（无中译）
Marcos López de Prado，2020｜剑桥大学出版社，Goodreads 4.19
AFML 的 150 页浓缩姊妹篇：去噪协方差、最优聚类、HRP、过拟合检验，七个问题七把刀，附代码。预算一本先读这本，再决定要不要啃 AFML。〔进阶〕
25. Machine Learning for Algorithmic Trading（第 2 版）
Stefan Jansen，2020｜中译：《机器学习在算法交易中的应用》中国水利水电出版社 2023；英文版豆瓣 8.8
800+ 页端到端工程手册：数据 → 特征 → LightGBM/深度学习/RL → 回测，配套 GitHub 万星代码库。五本里与 AlphaForge 定位最契合的一本——想给平台加 ML 因子，从它开始。批评也如实说：广而不深，更像参考手册。〔进阶〕
26.《机器学习与资产定价》/ Machine Learning in Asset Pricing
Stefan Nagel，2021｜中译：电子工业出版社 2022，王熙、石川译，豆瓣 8.0——中译质量高（大量译者注），放心买
芝加哥 Booth 教授从经济学第一性原理审视 ML：收缩与正则化的经济学含义、可预测性的界限。薄而密、全是公式无代码——回答”为什么 ML 在金融里不能照搬”的最佳理论读物。〔硬核〕
27. Financial Machine Learning（免费）
Bryan Kelly & Dacheng Xiu（修大成），2023｜Foundations and Trends in Finance 长篇综述（注意：不是 Princeton 出版的书），SSRN/NBER 可免费下载
资产定价 × ML 的学术文献地图：收益预测、因子模型、组合优化中的 ML 全景。无代码、需要计量基础，研究型选手的文献入口。〔硬核〕
落选说明：Dixon 等《Machine Learning in Finance》（Springer 2020）覆盖广但口碑明显弱于以上五本（约 3.7 星，时序方法论被公开批评），走衍生品/强化学习方向再考虑。
这一页的正确用法：先读 24 或 23 学”纪律”，再用 25 动手，26/27 补理论。记住 AFML 的核心告诫，它和量化学堂案例一讲的是同一件事：在金融数据上，防自欺比找信号难，也比找信号重要。