!图片 量化交易的核心是用数据说话，而不是凭感觉。今天分享我构建择时模型的一些经验。 特征工程是模型成功的关键。我常用的特征包括技术指标类（RSI、MACD、布林带）、价量关系类（成交量异动、持仓量变化）、基本面类（基差、期限结构）、市场情绪类（波动率指数、资金流向）。 模型选择上，我尝试过很多算法，最终发现LightGBM在期货择时任务上表现最好。相比深度学习模型，树模型的解释性更强，而且不容易过拟合。 回测时一定要注意防止未来函数。最常见的错误是用当天的收盘价作为当天的信号，这在实盘中是不可能做到的。正确的做法是用T-1天的数据预测T天的方向。 另外要注意交易成本的考量。一个胜率60%的策略，如果手续费占收益的30%，最终可能还是亏损的。