入门基础体系新手友好
查看详情AI量化基础课程班
适合零基础或弱基础学员，覆盖 Python 入门、交易理念、期货市场基础、策略编写、回测测试、结果分析与 CTA 模拟/实盘对接。
4.9 (2120评价)2120人学习12小时6节
适合零基础或弱基础学员，覆盖 Python 入门、交易理念、期货市场基础、策略编写、回测测试、结果分析与 CTA 模拟/实盘对接。
¥4,999
机器学习量化类别不平衡量化标签机器学习量化模型评价
量化标签里类别不平衡怎么处理？不是简单过采样就能解决
讨论量化机器学习中类别不平衡问题的处理方式，帮助研究者避免在标签设计和评价阶段踩坑。
2026-03-287分钟
在很多量化分类任务里，真正显著的上涨、下跌或异常事件本来就很少见，这会让模型容易学会“多数类保守策略”而不是有效识别少数关键信号。
如果只是机械做过采样或调权重，却不改评价指标和决策阈值，模型看起来精度可能提高，实际交易价值却未必更好。
- 不平衡是目标设计问题也是训练问题
- 评价指标必须和交易目标一致
- 只做过采样常常不够
更稳的处理方式是什么
更稳的做法是从标签定义、采样方式、评价指标和交易后果一起设计处理方法，而不是把不平衡当成纯算法问题。
类别不平衡的关键，不是让数据看起来平，而是让模型更关注真正重要的少数事件。
关键结论
- 类别不平衡不能只靠技术补丁解决
- 标签、评价和阈值要一起设计
- 交易目标决定你该偏向哪种错误类型
关联课程
如果你想把这篇文章里的方法系统化学习，可以从这些课程继续深入。
继续阅读
机器学习量化
把 LLM 当成时间切片之后，价格发现问题更像文本聚合成本，不像模型突然开悟
这篇论文最值得看的地方，不是它又证明了大模型能预测收益，而是它把冻结 checkpoint 解释成“某个时间点的公共文本压缩体”，于是收益预测就不再像神秘能力，更像信息聚合摩擦。
机器学习量化
把示范轨迹压成“策略原型”之后，强化学习交易终于少了一点拍脑袋
这篇 AAAI 论文没有继续在手工 regime 标签上打补丁，而是尝试先把示范轨迹离散成可复用原型，再让代理做选择和微调，思路比常见的“趋势/震荡二分类”更整齐。
机器学习量化
组合 RL 如果只奖励收益，最后学到的通常不是风险约束而是侥幸
这篇风险调整型 DRL 论文最值得看的地方，不是它又堆了几个 agent，而是它承认：只靠单一 reward，强化学习学出来的往往不是你以为的风险偏好。