前言

第二堂課我選了 CS 7646 - Machine Learning for Trading，一堂用股票數據來入門機器學習的課程。會選這堂主要是朋友推薦，說這是修 CS7641 之前很好的暖身課。

對於有 CS 背景的學生來說，這堂課的難度不高。但內容比我預期的豐富不少，從手寫 Decision Tree 到實作 Q-Learning 交易策略，麻雀雖小五臟俱全。

課程內容

課程分成三大模組：

Module 1 — 數據與投資組合基礎： 讀取和繪製股票數據、NumPy 基礎、時間序列統計分析、Sharpe Ratio、投資組合優化。算是暖身，主要在熟悉 Python 和金融數據的操作。

Module 2 — 金融市場理論： 避險基金運作、市場機制、CAPM^[1]、技術分析、效率市場假說等。這部分是整堂課中最不像 ML 的部分，但考試會考，所以還是得認真看。

Module 3 — 機器學習： Regression、學習演算法評估、Ensemble Methods（Bagging、Boosting）、Reinforcement Learning、Q-Learning、Dyna。這才是重頭戲。

上課影片是由 Tucker Balch 教授預錄的，風格比較傳統，長度適中，倍速看的話每週大概 2 小時就能消化完。

作業

總共 8 份作業，由淺入深：

1. Martingale (P1) — 機率模擬與隨機漫步，暖身用。
2. Optimize Something (P2) — 用 Sharpe Ratio 做投資組合優化。
3. Assess Learners (P3) — 整堂課的精華。手寫 Decision Tree（DTLearner）、Random Tree（RTLearner）、Bag Learner（Ensemble），甚至還有一個 Insane Learner（堆疊式 Ensemble）。全部從頭實作，有少量 Starter Code。測試 Overfitting 和 Underfitting 的概念。
4. Defeat Learners — 對抗式挑戰：設計能「打敗」特定學習器的數據集。很有趣的練習，幫助理解不同演算法的弱點。
5. Market Simulator — 建立一個含手續費和滑點的回測引擎，後續作業都會用到。
6. Indicator Evaluation (P6) — 實作技術指標（SMA、Bollinger Bands 等）加上理論最佳策略（用完美先見之明當基準線）。
7. Q-Learning Robot (P7) — 從頭實作 Q-Learning，讓機器人在格子世界中導航。從監督式學習到強化學習的過渡。
8. Strategy Evaluation (P8) — 期末大作業。結合所有東西：先用規則建立 Manual Strategy，再用 DTLearner + BagLearner 建立 ML 策略，最後做兩個實驗比較不同方法。

作業之間有連貫性，像是 Market Simulator 會在後面的作業中重複使用，Learner 也會在 Strategy Evaluation 中整合。每份作業如果集中精神，大概 3-4 小時可以完成，但 P3 和 P8 需要更多時間。

總共 4 份報告（P1、P3、P6、P8），但比起 CS7641 的 8 頁正式論文，這裡的報告輕鬆很多。

考試

2 次考試，都是選擇題，難度不高。只要把課程影片看完基本上就沒問題。

比較需要注意的是 Module 2 的金融理論部分，像 CAPM 和效率市場假說這些概念對 CS 背景的人來說不太直覺，反而是考試中比較容易失分的地方。

回頭看

修完 CS7641 之後回頭看，ML4T 確實是個不錯的暖身。Decision Tree 和 Q-Learning 的基礎在 CS7641 中直接用上了。雖然深度差很多，但至少讓你知道這些東西長什麼樣子。

至於金融的部分，說實話對我的 ML 學習沒有太大幫助，但了解一下量化交易的基本概念也不壞。不過如果你問我這堂課有沒有改變我對股票投資的看法 —— 並沒有。看歷史數據做預測，在沒有真實世界的脈絡下，模型的表現其實很有限。倒是技術指標的概念蠻實用的。

如果你的目標是 CS7641，ML4T 不是必修但值得一修。

總結

這堂課對有 CS 背景的人來說不算難，每週大概花 5-6 小時就能應付（2 小時上課 + 3-4 小時作業）。但內容涵蓋的範圍比想像中廣，從基礎的投資組合分析到手寫機器學習演算法再到強化學習，是一堂紮實的入門課。

如果你和我一樣是把它當作 CS7641 的前菜，那這堂課完全勝任。

Reference

• OMSCS官方網站 - OMSCS Program Information