总结：一张文献地图的使用说明

主题一句话速查表#

综述给出的未来方向（第 6 章）#

1. 经济结构 + ML 的深度融合：纯预测已经内卷，把无套利、均衡条件作为约束注入模型是最被看好的路线；
2. 可解释性：监管与投资委员会都不接受纯黑箱，特征重要性、模型蒸馏在金融有独立价值；
3. 数据边疆：文本、图像之后是音频、卫星、供应链图谱——以及 2023 年后爆发的大语言模型（综述成文时 LLM 文献刚起步）；
4. 作者的判断：金融 ML 还处在”青春期”——工具已经齐了，缺的是像 CAPM 那样把工具与经济学绑定的理论突破。

在本平台动手练习#

1. 感受方法谱系：同一预测目标（如 5 日反转），分别用单因子排序和多因子等权合成跑分层回测——体会”信息组合”比”单变量”多赚的部分，这是 GKX 结论的最小复现；
2. 穷人版复杂度实验：在 research/factors.py 里把同一信号做出 3 个变体（不同窗口），观察合成后 IC 的稳定性变化——体会”平均弱预测器”为什么比”押注单一参数”稳健；
3. beta 还是 alpha：把你最好的因子与市场收益做相关性检查（分层组合对基准的暴露）——如果多头组合的收益大半来自高 beta，你就亲手摸到了 IPCA 问题的边缘；
4. 成本敏感性：用回测引擎把 --cost 从 0.001 提到 0.003，看排名靠前的高换手因子哪些直接死掉——这就是”可实施有效前沿”的家庭版。

下一本书#

• 想继续学术线：Stefan Nagel《Machine Learning in Asset Pricing》（Princeton，2021）——篇幅更短，视角更偏计量与贝叶斯，恰好是对 Kelly–Xiu 部分结论持保留态度的另一位大家；
• 想回工程线：重读书屋的 AFML 第 5~6 页（交叉验证与回测过拟合）——Kelly–Xiu 告诉你文献里”有什么”，AFML 告诉你自己动手时”别死在哪”。

带走的三句话#

1. 这份综述的正确打开方式是地图不是圣经：每个主题记住一句话结论 + 一篇代表作，用到时再顺藤摸瓜；
2. 全文最反直觉的两个结论——复杂度的好处（大模型未必过拟合）与特征即协方差（预测力大半是 beta）——一个在学界有争议、一个已被广泛接受，分清这两种状态本身就是文献素养；
3. 金融 ML 的下一个十年拼的不是更大的模型，而是经济结构与学习算法的结合——这也是普通研究者相对大厂算力仍有机会的地方。