第四部分：深度学习与强化学习（第 17~23 章）

第 17 章：深度学习基础（值得读概念）#

前馈网络、反向传播、TensorFlow/PyTorch 双框架实现，并用因子数据训练了一个收益预测网络。值得精读的是何时该用 DL 的判断：深度学习吃数据量和信噪比，金融日频数据两样都缺——样本量假象（十年日线远不如它看起来多）+ 市场机制变迁，使 DL 的容量优势经常变成过拟合劣势。它跑不赢第 12 章的 LightGBM 时，相信 LightGBM。

第 18~19 章：CNN 与 RNN（索引章）#

• CNN（第 18 章）：两条思路——把时间序列转成二维”图像”后用卷积找形态；以及真·图像（卫星图数零售停车场）。前者学术上热闹、实证优势存疑，后者是另类数据的经典案例；
• RNN/LSTM（第 19 章）：多变量时间序列预测与文本情绪分类。LSTM 处理序列依赖在理论上优雅，但日频金融序列的可预测结构太弱，实务中常被”梯度提升 + 手工滞后特征”打平——书里也没有回避这一点。

第 20~21 章：自编码器与 GAN（学术前沿味最浓）#

• 条件自编码器做资产定价（第 20 章）：复现 Gu-Kelly-Xiu 一系的前沿研究——让网络同时学出因子暴露和因子收益。这是全书离学术最近的一章，读它是为了看懂近年实证资产定价文献在做什么；
• GAN 合成时间序列（第 21 章）：TimeGAN 生成”以假乱真”的价格序列，用途是数据增广和压力测试——用合成数据扩充回测场景，而不是直接生成交易信号。方向有想象力，工程上离日常量化还远。

第 22 章：深度强化学习交易 agent（开眼界章）#

用 OpenAI Gym 自定义交易环境，训练 DDQN agent 学买卖决策。RL 的叙事最性感（“让机器自己学会交易”），现实最骨感：奖励稀疏、样本效率低、回测环境与真实市场的差距（滑点/冲击/对手反应）会被 agent 无情利用。读这章的收获是看懂 RL 交易论文时不被唬住。

第 23 章：结论与下一步#

作者的收官建议与本精读立场一致：从简单模型开始、警惕回测过拟合、把精力花在数据和特征上——alpha 主要来自特征工程，模型只负责最后一公里。

对平台的取舍建议#

平台的 ML 路线图排序：梯度提升因子（第 12 章）→ 线性/树模型的因子合成对比（第 7 章）→ 有余力再试小型网络（第 17 章）。CNN/RNN/GAN/RL 留在书架上当参考——不是不能做，是投入产出比排不进前三。

本页带走的三句话#

1. 日频截面数据上深度模型打不过 LightGBM 时，相信 LightGBM——数据量和信噪比是硬约束；
2. GAN 的正业是合成数据做压力测试，RL 章的价值是让你看懂论文而不被唬住；
3. alpha 主要来自特征工程，模型只负责最后一公里——作者自己也这么说。