Hull Tactical - Market Prediction

比赛任务是什么？

项目研究公开市场时间序列中的预测与风险调整评估，强调严格的时间顺序、walk-forward 验证和成本敏感分析。所有结论只用于历史数据研究，不构成投资建议或收益承诺。

用一个例子理解项目

评价指标与验证

Hull Competition Sharpe

以策略年化 Sharpe 为核心，对超过市场波动率 120% 或平均超额收益低于市场的策略施加惩罚；越高越好。

固定数据划分、评估器版本和资源条件，记录基线与对照结果，并解释错误样本。

技术路线

1. 时间

   锁定信息边界

   确保任何特征只使用预测时点前数据。

2. 基线

   建立简单预测

   记录无模型和基础模型的对照结果。

3. 回测

   滚动验证

   用多个历史窗口检查稳定性和漂移。

4. 风险

   压力测试

   加入成本、延迟和极端区间分析。

适合专业与项目难度

超额收益预测、仓位分配和风险调整评估直接关联金融、统计与数学；时间序列特征和滚动验证关联数据科学，预测与回测工程对应计算机及机器学习。

为什么评为进阶？

按供稿验证要求评为进阶：表格模型可起步，但需保持严格时间顺序，将预测转成受约束仓位，并检查分布变化、风险指标与交易成本敏感性。

等级说明：需要专业建模方法、可靠验证或多个工程环节，并完成可解释的对照实验。

建议具备的基础

• Python、Pandas 与基础统计
• 时间序列切分和基础机器学习
• 仓位、波动率与风险调整指标

可以从哪里开始

先比较固定仓位和简单预测基线，按时间滚动验证，再分析风险、成本和极端区间。

专业与难度由本站根据项目文档分析，面向基线复现与对照实验；具体门槛取决于承担的任务和项目深度。 这不是 Kaggle 官方评级。

可以形成的成果

• 公开金融时间序列复现
• 时间切分与 walk-forward 验证
• 风险调整指标复现
• 模型限制与研究边界说明

成果预览与验收方式

下面展示建议的成果结构，实际内容由本人运行、实验和整理后形成。

本项目重点验收：submission.parquet 中 prediction 列：0 到 2 的市场仓位；Walk-forward 验证、风险调整指标和成本敏感性报告。

复现实验需要回答的问题

• 随机切分为什么不适合市场时间序列
• 风险调整指标与原始预测误差有何区别
• 怎样避免把历史回测写成未来收益保证

留学、科研与求职如何使用？

公开 Notebook、方案与讨论

以下入口来自项目文档中的公开资料，适合阅读和设计复现实验。

公开材料的运行环境、许可和作者结论请结合原页面复核。

• 官方 Demo Submission ↗

  公开学习材料；运行条件和许可需复核，作者成绩不代表本站或用户成果。

• Hull Starter Notebook ↗

  公开学习材料；运行条件和许可需复核，作者成绩不代表本站或用户成果。

• Hull - Leak Safe Baseline ↗

  公开学习材料；运行条件和许可需复核，作者成绩不代表本站或用户成果。

• Stop wasting your time here! ↗

  公开讨论中的方法与经验；作者自报结论需通过自己的实验验证。

• Important Notice on Training Data Usage ↗

  公开讨论中的方法与经验；作者自报结论需通过自己的实验验证。

• The Hull Tactical competition exploratory data analysis (EDA) ↗

  公开讨论中的方法与经验；作者自报结论需通过自己的实验验证。

规划适合你的项目深度

结合目标、专业、已有基础和时间，确定基线、对照实验与成果表达的范围。