练习时长 1 年

I'm Elara 郭筱婷
an AI Product Manager Trainee

🎓 UM商分硕士在读 🤖 大模型重度用户 💡 产品思维践行者

白天和数据集死磕，晚上和 PRD 谈恋爱。

SCHOOL · COURSEWORK

我的 Project AI PM 视角

PROJECT · 01 机器学习 Python · 文本分析 2026.4

点击展开详情

📈 A股机器学习择时系统 A-Share ML Timing System · When Accuracy Is Not the Product Metric

基于 8 年市场数据、12 种模型组合回测，佐以股吧实时情绪指标衡量，在 T+1 与交易成本约束下，用 Sharpe 0.84（+57%）证明：ML 指标 ≠ 产品指标。

STAR · 项目拆解

Situation · 背景

A 股散户占比超 60%、噪声极高，传统线性模型在短期预测上几乎失效。

Task · 任务

在严格 T+1 + 0.1% 交易成本约束下，打造可商业化的择时系统——目标不是学术上的「准确率高」，而是可落地的策略表现。

Action · 动作

① 全矩阵对比：3 种降维（PCA / KPCA / LDA）× 4 种模型（Logistic / RF / XGBoost / MLP）= 12 种组合，在 982 个交易日上端到端建模
② 鲁棒性压测：35 个滚动窗口压力测试，主动暴露模型在不同市场阶段的边界
③ V2 验证：用 2026 独立样本检验 LLM 情绪特征的边际价值，为迭代路线图提供依据

Result · 成果

0.84

策略 Sharpe

55.4%

KPCA+MLP 准确率

-6.79%

最大回撤

73%

策略胜率

✅ 最优组合 KPCA + MLP：准确率仅 55.4%，但 Sharpe 0.84（基准 0.53，+57%）、最大回撤 -6.79%（基准 -9.27%）
✅ 核心洞察：模型不必每次猜对，关键是「猜错时损失小」——降维过滤高风险信号，才是 Sharpe 提升的真正来源

分阶段商业化与用户分层

• C 端散户：轻量择时信号 + 风险提示（MVP）
• B 端券商：策略 API + 置信度分级（V1.5）
• 机构基金：漂移监测 + 定期重训（V2，由鲁棒性测试定义需求）

PM 视角的亮点

• 指标解耦：准确率 55% 仍可交付 Sharpe +57% 的商业价值
• 边界产品化：鲁棒性测试暴露的阶段不稳定，直接转化为 V2「漂移监测 + 重训」需求
• 分层交付：同一模型，面向散户 / 券商 / 机构三种付费形态

我的收获

• 量化产品里，策略指标比预测精度更接近用户真实诉求
• 学会用压力测试「主动失败」，把不确定性写进路线图而非藏进模型
• 验证 LLM 情绪特征需独立样本——新特征的价值要用产品实验说话

CORE STACK 核心能力 & 技术栈

ML 指标→产品指标策略回测鲁棒性压测 Python 八爪鱼爬虫情绪文本分析 PCA / KPCA / LDA RF · XGBoost · MLP

产品化思考

目标用户分层：一个模型，三类生意

模型中立（准确率 55.4% 人人相同），但付费方、误判成本、产品形态完全不同——不能「一个模型卖三类客户」。

用户	痛点	付费形态	误判成本
C 端散户	情绪化交易	免费 App + Pro 会员	低 · MVP
B 端券商/私募	缺因子、不愿自研	因子授权 + API	中 · V1.5
机构量化	择时 + 自动交易	策略授权（定制）	高 · V2

同一 KPCA+MLP：对 C 端是参考信号，对机构是决策依据——后者需鲁棒性、SLA、风控、回滚，量级完全不同。

产品定位：卖风险控制，不卖准确率

错误叙事

「准确率 55%，比传统高 5pt」→ C 端觉得「我自己猜也行」，机构直接 pass。

正确叙事

「回撤少 27%、Sharpe +57%」——同样收益，风险约为传统的 2/3；焦点从猜对转到亏钱更少。

• 回撤是用户能体感的痛点；准确率是抽象数字
• 合规友好：不承诺收益，只讲风险控制
• 竞品多在卷准确率，主打风控反而稀缺

风险与边界：失效检测产品化

35 窗口：准确率 49.2% ± 12.3%；最差窗口 ~30%，部分阶段 Sharpe 仅 -0.04。

• 连续 5 日预测错误 →「漂移警报」+ 置信度低、建议观望
• 波动率 > 历史 95% 分位 → 防御模式，默认空仓
• 月度自动重训，前端展示「模型已更新至 YYYY-MM」
• 机构 SLA：不承诺全阶段准确率，承诺长期 Sharpe ≥ 0.6

判断：把「失效检测」做成 feature，比假装全阶段都准更能建立信任。

V2 路线图

Phase 1

漂移监测（3 个月）

滚动准确率仪表盘；低于阈值自动暂停推送 + 触发重训——把不稳定从 bug 变 feature。

Phase 2

情绪特征（6 个月）

情绪单独用准确率 53.8%；改做市场状态分类，高/低情绪期切换子模型。

Phase 3

形态升级（12 个月）

C 端持仓助手；B 端因子库 + 组合优化；LLM 生成每日策略解读。

复盘 · FinTech PM 视角

1. 准确率是工程语言，Sharpe 才是产品语言。
2. 选 KPCA = 产品判断：非线性比线性对用户更重要。
3. 暴露边界 = 功能机会：鲁棒性负面结果直接定义 V2 漂移监测。
4. 核心矛盾是「稳」不是「准」：一致性比峰值更重要。

技术方案摘要

最终方案：KPCA + MLP

组合	准确率	F1	采用
KPCA + MLP	55.4%	59.8%	是
PCA + RF	54.1%	54.1%	—
LDA + Logistic	54.1%	51.4%	—

• F1 差距 > 准确率差距：上涨信号捕捉更优，错过上涨比误判下跌更伤用户
• C 端 MVP：可解释性弱可接受；日频策略，训练慢可接受

判断：选型看「失误模式是否最不伤害用户」，不是只看准确率。

三种降维并行，而非直接喂 22 特征

学术思路

22 特征全喂，让模型自选——共线性、过拟合、KPCA 算力爆炸。

产品思路

PCA / KPCA / LDA 并行：分别假设线性、非线性、有监督涨跌目标。

结论：KPCA 胜出 → A 股更偏非线性、高噪声。判断：降维是「市场结构假设」，不是数学炫技。

严守 T+1 与 0.1% 交易成本

学术取巧

T+0、零成本 → 理论 30% 年化，上线即失效。

产品思路

真实约束下 13.9% 年化，比「假回测」更有说服力。

• 信号 shift(1) 实现 T+1；仓位变动扣 0.1% × |Δ仓位|
• 训练 / 验证 / 测试按时间 70/15/15 切分，杜绝前视偏差

判断：假回测比低收益更危险。

35 个滚动窗口，而非简单 split

单段测试集只代表「某一市场阶段」；采用 252 天训练 + 21 天测试 × 35 窗口。

• 得到分布：准确率均值 49.2% ± 12.3%，非单点数字
• 阶段不稳定 → 直接定义 V2「模型漂移监测」

汇报「55.4%」须附带「滚动 σ=12.3%」作风险提示。

LLM 情绪：识别市场状态，而非提精度

2026 独立测试：加情绪后准确率 53.8%（略低于纯技术）——不等于放弃。

常规思路

精度没涨 → 特征无用 → 砍掉。

PM 思路

情绪做市场状态分类，高/低/平稳期切换不同子模型（V2）。

判断：特征价值取决于放在哪个产品维度，不只看单一指标提升。

PROJECT · 02 机器学习 Python · 数据挖掘 2025.11

点击展开详情