金融时间序列为什么不是一份普通数据集

普通机器学习任务里，人们习惯默认样本分布相对稳定，训练集和未来数据之间虽然有噪声，但大体来自同一种世界。金融时间序列完全不同。市场结构会切换，流动性会变化，参与者会学习，波动率会放大或收缩，很多昨天成立的统计关系今天就可能开始失灵。这种“会变”的本质，决定了量化研究不能简单照搬普通监督学习套路。

第一场公开课之所以把金融时间序列特性单独拿出来讲，就是因为很多后面的研究错误，根源都埋在这里。如果你不先承认金融数据是非平稳、高噪声、带时间依赖且容易出现 regime 切换的，那么后面的数据切分、回测评价、特征设计和模型验证都很容易失真。