机器学习量化交易探索：PPO、SAC与XGBoost的实战研究

本项目是一个系统性量化交易研究仓库，专注探索强化学习（PPO、SAC）与传统机器学习（XGBoost）在交易策略中的应用。项目采用探索、验证、实施三阶段研究流程，包含特征工程实验、前向回测与信号生成测试，为量化交易研究提供完整工作范式。

在量化交易领域，机器学习技术应用于市场预测和策略生成是热门方向。本项目由racoope70开发，技术栈涵盖主流算法，整体采用三阶段研究流程：探索（快速迭代实验）、验证（回测评估）、实施（生产级代码重构），实现从研究到应用的平滑过渡。

技术模型：

• 强化学习：PPO（策略梯度方法，保证训练稳定性）、SAC（最大熵框架，平衡探索与利用）；
• 传统机器学习：XGBoost（梯度提升树，适用于金融时序数据建模）。 研究方法论：

1. 探索阶段：特征工程与模型原型开发；
2. 验证阶段：前向回测、历史数据回测、模拟交易评估；
3. 实施阶段：重构为生产级代码管道。

项目核心工作之一是特征工程实验，针对金融时序数据构建丰富特征：

• 技术指标（移动平均线、RSI、MACD等）；
• 统计特征（波动率、偏度、峰度等）；
• 时序特征（滞后特征、滚动窗口统计等）；
• 信号生成测试（买卖信号触发条件）。这些特征为模型训练提供高质量输入。

量化策略可靠性依赖回测质量，项目采用前向回测方法：

1. 滚动训练窗口：固定长度历史数据训练模型；
2. 样本外测试：训练窗口后数据评估性能；
3. 时间推进：移动窗口模拟真实策略更新。该方法有效检测过拟合，提供可靠性能估计。

研究价值：项目方法论清晰分离三阶段，保持探索灵活性、建立严格验证标准、形成可复用代码资产，为量化交易开发者提供结构化学习路径。 总结：本项目是研究导向开源项目，完整展示量化交易研究流程，对理解机器学习在金融领域应用边界与最佳实践具有重要参考价值。