AI 词汇表
人工智能完整词典
统计阿尔法
衡量投资组合风险调整后表现的指标，代表机器学习模型相对于基准的超额收益，在消除对已知市场因子的敞口后。
前向回测
一种稳健的验证方法，模型在样本期内训练，在后续的样本外期测试，然后随时间移动这个窗口以模拟真实交易条件并避免过拟合。
时间序列交叉验证
适用于金融数据的交叉验证技术，尊重时间结构，使用基于连续时期的折叠而非随机抽样，以防止未来信息向过去的泄漏。
金融特征工程
从原始市场数据（如技术指标、宏观经济比率或情绪指标）中创建和选择预测变量的过程，以优化预测模型的性能。
时间序列随机森林
将随机森林算法应用于金融时间序列预测的改编版本，使用目标变量的滞后和其他协变量作为特征，能够捕获复杂的非线性关系。
GARCH（广义自回归条件异方差）
一种时间序列统计模型，捕获条件波动性，其中误差方差依赖于前期方差，对于建模和预测金融市场的不确定性至关重要。
交易用梯度提升机（GBM）
一种集成技术，通过迭代构建弱预测模型（通常是决策树）来形成强大模型，常用于预测资产收益率或价格方向。
前瞻性偏差
回测中的方法论错误，使用了预测时不可用（未来）的信息，导致交易模型性能的高估。
高频机器学习 (HFT-ML)
应用机器学习算法来分析微秒或毫秒级的市场数据，通过自动化交易策略识别和利用超短期价格无效性。
ARIMA-ML混合模型
一种结合了ARIMA模型和机器学习模型（如神经网络）的方法，其中ARIMA模型用于捕捉金融时间序列的线性和自相关成分，而机器学习模型则用于建模非线性残差。
用于金融的循环神经网络 (RNN)
一种专为处理数据序列（如历史价格）而设计的深度学习架构，它保留了对先前状态的记忆，因此特别适合于金融时间序列的预测。
模型夏普比率
一种评估指标，用于衡量机器学习模型生成的交易策略的风险调整后收益。其计算方式为：策略收益率超过无风险利率的部分，再除以收益率的标准差。
协整平稳性
一种概念，指多个非平稳金融时间序列（例如两只股票的价格）的线性组合本身是平稳的。这为配对交易和均值回归策略的创建提供了可能。
用于趋势分类的支持向量机 (SVM)
一种监督学习算法，它找到一个最优超平面来将数据分离到不同类别中（例如‘上涨’、‘下跌’、‘横盘’），用于预测金融资产价格的未来走向。
金融中的过拟合
一种现象，指机器学习模型学习了训练历史数据中的特定噪声，而非潜在的信号，导致其在回测中表现优异，但在实际交易中表现不佳。
用于金融时间序列的Transformer模型
一种基于注意力机制的深度学习架构，适用于建模市场数据中的长期依赖关系，在复杂的预测任务中，其表现常常优于RNN和LSTM。
基于MCMC的随机波动率
将波动率建模为一个不可观测的潜过程，其参数通过马尔可夫链蒙特卡洛（MCMC）方法进行估计，为市场不确定性提供了更丰富和灵活的描述。