Trading

Market briefs and practical research for traders. Clear drivers, scenarios, and risk notes—plus occasional mini-labs that turn ideas into testable workflows.
Deep Research

算法交易中的深度学习与强化学习(2018–2025):哪些有效、哪些会失效,以及如何更稳健地落地

2018–2025 年,深度学习(DL)和深度强化学习(DRL)在量化交易里的位置发生了变化:从“论文里很强”逐步走向“可以进入生产体系的工具箱”。但真正被反复验证的,不是“神奇的 Alpha”,而是一些更朴素、也更残酷的结论: * 预测不等于交易:方向准确率提升,并不必然转化为扣除成本后的净收益。 * 风险调整目标更可迁移:Sharpe、回撤等目标往往比“最大化收益”更接近真实约束。 * 泛化才是难点:很多失败来自市场状态切换(regime shift)、数据泄漏、以及过于理想化的回测假设。 下面按模型家族(LSTM/CNN/Transformer)与 DRL 家族(DQN、PPO/A2C/DDPG/SAC)总结关键经验,并给出一个更“可落地”的实践清单。 1)深度学习真正擅长的地方
6 min read
Deep Research

Deep Learning and Reinforcement Learning in Algorithmic Trading (2018–2025): What Worked, What Broke, and How to Deploy Safely

Deep learning (DL) and deep reinforcement learning (DRL) have moved from “interesting papers” to real, production-adjacent toolkits for systematic trading. From 2018–2025, the literature converged on a few uncomfortable truths: * Prediction ≠ trading: higher directional accuracy doesn’t automatically translate into net performance after costs. * Risk-adjusted objectives matter:
4 min read
Deep Research

进阶/高级量化交易学习:Top 25 算法交易 YouTube 频道清单

目录 1. 执行摘要 2. 如何使用这份清单 3. 频道清单 4. 反套路评分表 5. 两周计划 6. References 更新说明(2026 年 7 月): 这份清单最初整理于 2025–2026 年初,聚焦进阶/高级算法交易学习资源。随着 2026 年量化生态的发展——Python 生态更成熟、自动化回测平台普及、AI/ML 深度融入交易策略开发——大部分推荐频道仍然高质量,但新增了一些值得关注的创作者和社区。建议在学习过程中结合最新的平台更新(如 QuantConnect 的新功能、TradingView 的 Pine Script V6 等)一起使用。 如果你在 YouTube 上搜"
7 min read