关于预测的笔记： 我认为在1小时及以上的时间框架中，你应该使用ridge，但当你到达1分钟/5分钟的时间框架时，通常会发现XGBoost表现更好。 5分钟的时间框架需要一些仔细的调优，但1分钟，尤其是秒级数据，你会开始看到XGBoost在你的信息系数（IC）上超出0.01-0.025，因为它是一个更好的模型。 XGBoost非常酷，因为你可以避免NaN值（这通常是回测中的一个问题，即不同数据集的可用性，某个提供者可能有10年的数据，而另一个只有2年）。 当然，你可以进行插补，但这并不是最现实的做法，并且在技术上存在前瞻性问题，因为你提前揭示了特征的均值/中位数。你也可以使用无前瞻性的均值，但仍然... 对于线性模型，如果你无法承受1小时及以上的拟合时间框架，并且想处理NaN值，你最好的选择是进行IC加权集成，并在出现NaN时重新计算权重（当你有每个特征的IC以及哪些特征在集合中时，确定权重并不算昂贵）。