關於預測的筆記： 我認為在1小時及以上的時間框架中，你應該使用ridge，但當你到達1分鐘/5分鐘的時間框架時，通常會發現XGBoost表現更好。 5分鐘的時間框架需要一些仔細的調優，但1分鐘，尤其是秒級數據，你會開始看到XGBoost在你的信息係數（IC）上超出0.01-0.025，因為它是一個更好的模型。 XGBoost非常酷，因為你可以避免NaN值（這通常是回測中的一個問題，即不同數據集的可用性，某個提供者可能有10年的數據，而另一個只有2年）。 當然，你可以進行插補，但這並不是最現實的做法，並且在技術上存在前瞻性問題，因為你提前揭示了特徵的均值/中位數。你也可以使用無前瞻性的均值，但仍然... 對於線性模型，如果你無法承受1小時及以上的擬合時間框架，並且想處理NaN值，你最好的選擇是進行IC加權集成，並在出現NaN時重新計算權重（當你有每個特徵的IC以及哪些特徵在集合中時，確定權重並不算昂貴）。