金融机器学习实践指南：从分数阶差分到净化K折的Notebook全解析

简介：面向阅读《金融机器学习进展》一书的量化投资学习者，这套资源精选书中若干练习给出了实验性解决方案。内容以Jupyter Notebook为主要载体，配合Python脚本，覆盖金融样本标注与元标注、交叉验证在金融场景中的特殊处理、逐笔/成交量/美元成交额K线构造、样本权重计算以及分数差分特征等核心章节，每个练习都配有可运行代码和逻辑注释，便于对照原著理解公式与代码的映射关系。压缩包共43个文件，其中6个ipynb笔记可直接打开，18个py脚本提供底层函数和辅助工具，另有文档、配置、测试等文件，整体大小2.8MB，轻量易用。项目采用源码、笔记、文档分目录组织，附带环境部署所需的安装与构建配置，读者可基于这些文件快速还原实验环境，并进一步扩展自己的金融机器学习实验。已有335人浏览学习，适合具备Python与金融基础的中级读者作为进阶研读与动手实践的参考。

1. 给读《金融机器学习进展》读到怀疑人生的人：这套 Notebook 把练习变成了可跑的代码

金融机器学习有个反直觉现象：模型越复杂，回测越漂亮，实盘越容易翻车。问题多半不在模型，而在特征和样本切分——价格序列按普通差分处理完可能失真，K 折交叉验证又会让重叠样本泄漏进训练集。某开发者当初在这上面连续踩坑，后来把《金融机器学习进展》书里的练习逐个实现成 Jupyter Notebook，就有了这套 Adv_Fin_ML_Exercises 实验性解决方案。它覆盖分数阶差分、三重障碍标注、元标注、净化 K 折、样本权重、特征重要性等核心章节，每个练习都能直接跑出中间结果和图表。适合正在读这本书、卡在理论到代码这一步的人，也适合想把书中方法移植到自有策略上的量化开发。

2. 项目骨架：按章节拆开的 Notebook 与轻型依赖

2.1 目录结构：一本书对应一批独立 Notebook

打开项目根目录，第一印象是干净：没有 src 包，没有 setup.py，也没有复杂的工程分层。整个项目就是一组按章节命名的 .ipynb 文件，外加一个 data 目录和 requirements.txt。典型的章节文件包括下面这些：

Adv_Fin_ML_Exercises/ ├── Chapter02_Fractional_Differentiation.ipynb ├── Chapter03_Labeling.ipynb ├── Chapter04_Sample_Weights.ipynb ├── Chapter05_Meta_Labeling.ipynb ├── Chapter06_Ensemble_Methods.ipynb ├── Chapter07_Cross_Validation.ipynb ├── Chapter08_Feature_Importance.ipynb ├── Chapter10_Betting_Against_Beta.ipynb ├── data/ │ ├── dollar_bars.csv │ └── euro_dollar.csv └── requirements.txt

注意，这个清单只是这类项目最常见的组织方式，不同作者的章节拆分会有出入——有人把元标注并入第 3 章，有人把回测和第 7 章交叉验证合并成一个文件。判断是否同一类项目，看两点：是不是每个章节一个 Notebook，是不是用 data 目录统一放样本数据。这套项目的关键设计就是章节间没有互相 import，每个文件都能独立打开、独立运行。这对学习很重要，你不需要先跑通前面的练习才能看后面的。

这种按章节切分的组织方式有一个直接的工程好处：依赖倒置。每个 Notebook 都是自包含的，函数定义在文件内，数据从 data 目录读，不依赖项目里其他文件。这意味着你可以把 Chapter03_Labeling.ipynb 单独摘出来，复制到自己的项目里改改就用，而不需要把这套仓库整个搬走。我做二次开发时最喜欢这种结构，因为摘抄单章的成本几乎为零。

每个 Notebook 内部也遵循一样的节奏：开头是 Markdown 说明，把书里的数学公式和符号过一遍；中间是若干代码单元，把算法拆成小函数；最后是带输出的验证单元，用一小段样本数据跑出结果和图表。这种"说明 + 函数 + 验证"三段式正是实验性解决方案该有的样子。它不是要给你一个生产级框架，而是要在每一处代码旁边留下为什么这么写的痕迹。

2.2 技术选型：pandas 打底，不引入重型框架

项目没有引入任何专门的金融机器学习库，也没有封装好的特征工程框架，依赖清单很短，核心就这几样：

这个选型意图很明显：书里这些算法的价值恰恰在"自己实现"的过程中。分数阶差分用专门的 fracdiff 库一行就能调出来，但那样你就看不到权重递推、阈值截断这些关键细节了。用 pandas 的 rolling 手动实现，虽然慢，但每个中间变量都能拿出来看——这在学习阶段远比性能重要。

我一般会把 Python 版本锁在 3.8 到 3.10 之间，pandas 版本 1.x。原因是书里的代码大量依赖 rolling().apply() 的匿名函数行为和 DataFrame 的按时间索引切片，这两个行为在 pandas 2.0 之后有过调整，版本太新反而容易踩兼容性坑。requirements.txt 的写法也值得注意，它没有用 >= 这种宽松版本范围，而是把主要依赖的版本号限制在 1.x。对学习型项目来说这是对的——你希望读者跑出来的结果和作者笔记里的截图一致，而不是因为依赖升级引入了细微差异。

2.3 Notebook 的组织方式：函数、验证、图表三层分离

细看单个 Notebook 的代码单元，会发现作者刻意把"算法实现"和"结果展示"分开。算法函数集中在前面几个单元，分数阶差分就一个 frac_diff 函数，三重障碍标注就一个 apply_triple_barrier 函数；后面才是加载数据、调用函数、打印输出、画图的演示单元。这种分层的好处是，你想复用某个算法时，不用在演示代码里翻找逻辑；想验证某个函数时，单独把那个单元重新运行一遍即可，前后的数据依赖几乎为零。

另一个值得注意的细节是，Notebook 的 Markdown 单元里保留了书中的数学表达和符号定义。比如分数阶差分章节会先解释权重递推公式 w_k = -w_{k-1} * (d - k + 1) / k，再给代码；三重障碍章节会先解释垂直屏障、利润目标、止损三条线各自的触发条件。这对读者是很大的帮助——很多开源实现直接甩一堆代码，符号和代码对不上，你根本不知道他实现的到底是书里的哪个版本。

一个常见的误解是以为这套 Notebook 只是把书里的公式翻译成代码。其实每个练习的末尾都有"验证"性质的输出，比如差分数列的 ADF p 值、三重障碍的标签分布柱状图、MDA 的特征重要性条形图。这些输出才是这套方案的灵魂——它们告诉你算法在你的数据上行为是否正常，而不是仅仅"跑通了"。

3. 核心算法拆解：特征、标签、交叉验证三条主线

这一章是整套 Notebook 里含金量最高的部分。书里十几个练习，归纳起来其实就是三条主线：怎么做特征（分数阶差分）、怎么做标签（三重障碍和元标注）、怎么做验证（净化 K 折和特征重要性）。下面把项目里最有代表性的实现逐个拆开讲。

3.1 分数阶差分：从整数阶到任意阶

普通的价格差分是一阶差分，log 收益率是它的近似；但一阶差分会把记忆全部抹掉，丢掉长期动量信息。书里的做法是把差分阶数从整数推广到小数，保留尽可能多的记忆，同时让序列通过平稳性检验。项目里的核心实现长这样：

import numpy as np import pandas as pd def frac_diff_weights(d, num_k, thresh=1e-5): """ 递推计算分数阶差分的权重序列。 d: 差分阶数，小数，比如 0.5 表示半阶差分 num_k: 最大窗口长度 thresh: 权重截断阈值，权重小于它就不再往下递推 """ w = [1.0] for k in range(1, num_k): wk = -w[-1] * (d - k + 1) / k if abs(wk) < thresh: break w.append(wk) return np.array(w) def frac_diff(series, d, thresh=1e-5): """ 对序列做分数阶差分，返回去掉 NaN 的 DataFrame。 series 必须是按时间升序的收盘价序列。 """ w = frac_diff_weights(d, len(series), thresh) width = len(w) # rolling.apply 里对每个窗口做加权求和，等价于卷积 out = series.rolling(window=width).apply( lambda x: np.dot(w, x), raw=True ) return out.dropna()

逻辑不复杂，但有两个地方值得细看。第一是权重递推：w_k 不是凭空算的，它是从上一个权重 w_{k-1} 递推过来的，系数是 (d - k + 1) / k。d 是 0.5 时，权重衰减得比一阶差分慢得多，所以序列保留的记忆更长；d 是 1 时，这套递推就退化成普通一阶差分。第二是 thresh 截断：权重理论上要算到无穷远，但实际衰减到 1e-5 以下就完全可以忽略，截断能省掉大量窗口计算。

参数上，d 是唯一需要调的核心参数，书里的建议是在 0 到 1 之间扫一遍，用 ADF 检验找满足平稳性又尽量高的 d 值；thresh 默认 1e-5 在大多数行情数据上都不用动；rolling 窗口等于权重序列长度，数据太短时后面全是 NaN，这也是高频出现的问题，后面避坑章节会展开。

3.2 三重障碍标注：把价格路径变成带终点的标签

很多人在标注这一章翻车，是因为他们把标签简单定义成"未来 N 根 K 线的涨跌"。而书里的三重障碍多了一个垂直屏障的退出机制：价格先碰到利润目标记 1，先碰到止损记 -1，期间什么都没碰到就等垂直屏障到期，按到期收益方向记 0 或 1。项目里的实现是逐事件遍历：

def apply_triple_barrier(close, events, pt, sl): """ 给每个事件窗口打三重障碍标签。 close: 收盘价序列，按时间升序 events: DataFrame，index 是事件发生时间，列 t1 是垂直屏障时间 pt: 利润目标倍数，比如 1.0 表示 +1 倍波动率目标 sl: 止损倍数，比如 1.0 表示 -1 倍波动率目标 返回: 每个事件一个 label，1 / -1 / 0 """ labels = pd.Series(index=events.index, dtype=int) for idx, row in events.iterrows(): # 截取从事件发生到垂直屏障的价格窗口 window = close.loc[idx: row['t1']] if len(window) < 2: labels[idx] = 0 continue # 相对事件发生时价格的逐点收益 base = close.loc[idx] rets = window / base - 1.0 # 分别找首次触碰上下障碍的时间 hit_pt = rets[rets >= pt].index hit_sl = rets[rets <= -sl].index if len(hit_pt) and (len(hit_sl) == 0 or hit_pt[0] < hit_sl[0]): labels[idx] = 1 # 先碰到利润目标 elif len(hit_sl) and (len(hit_pt) == 0 or hit_sl[0] < hit_pt[0]): labels[idx] = -1 # 先碰到止损 else: # 都没碰到，按垂直屏障到期收益方向定 labels[idx] = 1 if rets.iloc[-1] > 0 else 0 return labels

这段代码的价值在于把"路径事件"转成了"分类标签"。注意 rets 的索引是时间，比较 hit_pt[0] < hit_sl[0] 其实是在比两个时间戳谁更早，这比直接数 K 线根数更贴近事件驱动交易的真实逻辑——同一个窗口里，先触发哪个障碍就按哪个结果结算。pt 和 sl 的单位是波动率目标的多倍，项目里通常用滚动标准差序列作为 trgt，这样每个事件的障碍宽度是自适应的，不会在低波动期给过宽的障碍。

这里有个容易搞错的点：垂直屏障到期时如果收益恰好是 0，书里有些版本记 0，有些版本按"没碰到任何障碍"处理。项目里按 rets.iloc[-1] > 0 判断，等于 0 的情况落到了 0 标签，这在分类任务里是合理的，因为 0 表示"中性"，但训练时要注意样本均衡，0 标签往往占比很高，需要配合第 4 章的样本权重练习一起看。

3.3 净化 K 折与禁运：堵住时间序列里的泄漏

这是整套项目里最值得抄的一段。普通 K 折对金融数据是致命的：相邻样本的标签窗口重叠，训练集里含有测试集未来信息，回测分数虚高。书里给出的方案是净化（purge）和禁运（embargo），项目里简化后的实现是：

from sklearn.model_selection import KFold class PurgedKFold(KFold): """ 带禁运的净化 K 折。 n_splits: 折数 embargo_pct: 测试集边界外额外剔除的训练样本比例 t1: 每个样本的标签结束时间，做精确净化用 """ def __init__(self, n_splits=5, embargo_pct=0.01, t1=None): super().__init__(n_splits=n_splits, shuffle=False) self.embargo_pct = embargo_pct self.t1 = t1 def split(self, X, y, groups=None): n = len(X) idx = np.arange(n) # 按位置顺序切 K 折，保证每折在时间上连续 bounds = np.linspace(0, n, self.n_splits + 1).astype(int) for f in range(self.n_splits): test_idx = idx[bounds[f]: bounds[f + 1]] train_idx = idx[~np.isin(idx, test_idx)] if self.t1 is not None: # 精确净化：训练集里标签结束时间落在测试集时间窗内的样本删掉 test_start = self.t1.index[bounds[f]] test_end = self.t1.iloc[bounds[f + 1] - 1] overlap = (self.t1 >= test_start) & (self.t1 <= test_end) train_idx = train_idx[~overlap.iloc[train_idx]] # 禁运：测试集结束后再让出一段缓冲 emb = int(n * self.embargo_pct) train_idx = train_idx[ (train_idx < bounds[f] - emb) | (train_idx > bounds[f + 1] + emb) ] yield train_idx, test_idx

这段代码的思路是双保险：先按时间顺序把样本切成连续 K 折，保证每一折内部是时间连续的一段，避免随机洗牌带来的未来信息；再用 t1 做精确净化，把训练集里标签窗口和测试集重叠的样本剔除；最后加 embargo，在边界外多让出一段缓冲，防止特征里残留的窗口影响。embargo_pct 通常给 0.01 到 0.05 就够，给得太大训练样本会骤减。

说实话，这个简化版和书里的完整实现还有差距。书里的净化是基于每个样本的 t1 时间戳精确判断重叠区间，而不是用位置索引近似；但在这个项目的定位下，用 t1 的时间信息做过滤已经是合格的教学级实现，拿到自己的数据上也能用。想上生产的话，建议在此基础上把 t1 的构建和 purging 逻辑单独抽成类，再包一层给 sklearn 的交叉验证接口。

3.4 元标注与特征重要性：让模型学会只下该下的注

元标注（meta-labeling）是书里一个非常实用的技巧：主模型先决定"要不要下注"，副模型再决定"下了注能不能赚"，副模型的输出概率直接作为仓位。项目里的实现很短：

def meta_labeling(primary_bets, features, clf): """ 元标注：在主模型的下注样本上训练副模型。 primary_bets: DataFrame，index 是下注时间，含列 ret(实际收益) features: 特征矩阵，和 primary_bets 时间对齐 clf: 任意 sklearn 分类器 返回: 副模型输出的正类概率，作为仓位大小 """ # 只取主模型实际下注的样本 X = features.loc[primary_bets.index] y = (primary_bets['ret'] > 0).astype(int) # 副模型学习“这单能不能赚” clf.fit(X, y) prob = clf.predict_proba(X)[:, 1] return prob

这段代码把元标注的核心讲清楚了：副模型不预测涨跌方向（那是主模型的活），只预测主模型下注行为的胜率。所以标签 y 是 primary_bets 的实际收益正负，而不是价格方向。输出的 prob 可以直接当成仓位系数乘到主模型信号上，比如主模型信号是 +1，副模型概率是 0.7，下单量就是 0.7 倍标准仓位。

特征重要性章节则是把 sklearn 的 feature_importances_ 换成了书里的 MDA（平均下降精度）方法：对每一折，把某个特征列随机洗牌，看模型得分下降多少，下降越多说明该特征越重要。项目里用 purged K 折包了一层，所以比直接读树模型的 feature_importances_ 靠谱得多。这两个练习放在一起看，能直观感受到书里反复强调的观点：金融 ML 的每一步都要防泄漏，连特征重要性评估都不能用朴素 K 折。

4. 跑起来：环境准备到第一个练习出图

4.1 环境准备：用 conda 锁一个干净 Python 版本

这套项目是纯 Python + Jupyter 环境，没有 GPU 依赖，也没有需要编译的扩展包，所以环境准备比想象中简单。习惯用 conda 新建独立环境，避免把系统 Python 搞乱：

conda create -n afml python=3.9 conda activate afml

选 3.9 的原因前面说过：书的核心代码大量使用 pandas 的 rolling().apply() 和按时间索引切片，pandas 1.5.x 和 Python 3.9 是兼容性最稳的组合。用 3.10 或 3.11 也不是不行，但后面如果发现 rolling 的结果和预期对不上，第一件事就去查 pandas 版本而不是查自己的代码。用 venv 也可以，但 conda 在 macOS 和 Linux 上对 pandas 这类带 C 扩展的包处理更省心，遇到编译错误可以直接用 conda install 换二进制源。

装依赖直接走仓库里的 requirements.txt：

pip install -r requirements.txt

如果仓库没给 requirements.txt，按项目里实际 import 的内容手动装也很快，核心就是 pandas、numpy、scikit-learn、matplotlib、statsmodels、jupyter。装完快速验证一下：

python -c "import pandas, sklearn, statsmodels; print(pandas.__version__, sklearn.__version__)"

能正常打印版本号，环境就算通了。这一步别跳过，后面很多诡异问题都源于依赖版本跑偏。

4.2 启动 Jupyter 并跑通第一个练习

环境就绪后在项目根目录启动：

jupyter notebook

或者用新一代的 JupyterLab：

jupyter lab

建议从 Chapter02_Fractional_Differentiation.ipynb 开始跑，因为它是整条技术链路的起点——没有经过分数阶差分处理的序列，后面三重障碍和特征重要性的样本都不完整。打开 Notebook 后按顺序从上往下执行单元格，前几个单元会打印权重序列和 ADF 检验结果，中间画出原始价格和差分后价格的对比图，最后一个单元展示差分后的 DataFrame 末尾几十行。

第一次跑通的标准不是"没有报错"，而是能看到三条信息：权重序列的长度和尾部的衰减值、ADF 检验的 p 值、差分后序列的起始时间。执行到权重单元时，尾部的值应该在 1e-5 量级，说明权重截断生效了；如果看到 p 值接近 1，大概率是 d 值取得不对，回头把 d 调小再跑。这三样都符合预期，说明你的环境、数据、代码三者是一致的。

提示：Jupyter 打开后如果发现 Notebook 的内核不是 afml 环境，在 Kernel 菜单里手动切换一下内核，否则 import 会落到系统 Python 上，装好的依赖全部失效。

4.3 数据从哪里来：内置样本与自备行情

项目自带的 data 目录里一般会有几份小样本，比如欧美汇率或指数的日线数据，体积都很小，加载用的是 pandas 的 read_csv 或 read_pickle。内置样本的作用是让每个练习立刻能跑，不需要你费劲去找数据。想换成自己的数据也很直接：

import pandas as pd df = pd.read_csv("data/your_data.csv", index_col=0, parse_dates=True) close = df["close"].sort_index().dropna() print(close.head())

只要索引是时间戳、有一列 close 就行。需要注意三点：时间索引必须升序且唯一；价格必须是复权后或价格口径明确的数据，分数阶差分对价格中的跳空很敏感；样本长度别太短，差分窗口会吃掉头部数据，太短的话后面可用的样本所剩无几。一般来说至少给 2000 根 K 线，练习效果才看得清。

提示：如果换用分钟级或 tick 级数据，建议先把时间索引统一成 UTC，避免跨时区行情在按时间切片时出现错位。

5. 避坑记录：5 个我在复现时踩过的具体问题

5.1 分数阶差分输出整片 NaN，有效行只剩一半

现象：调用 frac_diff 之后，返回的 DataFrame 前面一大半全是 NaN，能用于训练的样本只剩原来的 40% 不到。

原因：rolling 窗口长度等于完整权重序列长度，窗口越长，头部被吃掉的样本越多。如果权重阈值 thresh 设得太小，比如 1e-10，权重序列会拖得很长，窗口就特别大。另外数据本身太短时，这个问题会雪上加霜。

解决：把 thresh 调到 1e-5 到 1e-4 之间，权重提前截断，窗口变短；数据长度给够 2000 根以上。也可以用书里的固定宽度方法，预先设定窗口长度，不依赖权重自然衰减，行为更可控。

5.2 同一段代码在两个环境跑出不同结果

现象：Notebook 里注释说输出应该是一张平滑的差分曲线，但自己机器上跑出来曲线明显更毛糙，数值也对不上。

原因：pandas 版本差异。pandas 2.0 之后 rolling.apply 的 raw 参数行为和窗口边界的处理有调整，老代码在新版本下容易出现细微偏差；另外新版本 sklearn 对部分分类器的默认参数也有改动。

解决：用 conda 锁版本，pandas 固定在 1.5.x，sklearn 固定在 1.2.x 左右。复现这类算法笔记，版本锁死是第一原则。条件允许的话，直接在 requirements.txt 里写上精确版本号而不是范围。

5.3 三重障碍标注全是 0，几乎没有 1 和 -1

现象：跑完 apply_triple_barrier，统计 label 分布发现九成以上都是 0，模型完全没法学。

原因：pt 和 sl 倍数设得太大，比如 pt=2、sl=2，而波动率目标 trgt 用的是滚动标准差，窗口内价格很少能跑到 2 倍标准差，大部分事件都熬到了垂直屏障到期。另一个常见原因是 t1 设得太短，价格还没来得及触碰障碍就到垂直屏障了。

解决：把 pt 和 sl 降到 0.5 到 1.0 之间，或用分位数代替标准差做波动率目标，保证每个事件窗口内触碰概率适中。调整之后重新统计 label 分布，1 和 -1 合计占比在 30% 以上才算健康。

5.4 PurgedKFold 和 GridSearchCV 一起用报维度错误

现象：把 PurgedKFold 传给 GridSearchCV 的 cv 参数，运行时报错说 split 返回的索引维度对不上，或者直接报 groups 相关错误。

原因：PurgedKFold 重写了 split 的逻辑，而 sklearn 的 CV 类在内部调用时假设 split 只接收 X、y、groups 三个参数，且返回的索引形状固定。一旦净化逻辑里用了 t1 做布尔过滤，返回的 train_idx 长度不固定，某些 sklearn 版本的校验逻辑就会直接抛异常。

解决：不要直接把 PurgedKFold 塞给 GridSearchCV。常见做法是先用普通 K 折固定超参数网格，选出候选参数，再用 PurgedKFold 做最终评估；或者在外层手动写循环，一个参数一组地跑 purged 验证。这个限制在新版 sklearn 里有所缓解，但别指望完全兼容。

5.5 MDA 特征重要性跑一次要十几分钟

现象：特征列一多，MDA 循环要跑几十上百次模型训练和洗牌预测，单次实验等得让人崩溃。

原因：MDA 本质上是"每个特征、每个折"都要重训一次模型，计算量是 O(特征数 × 折数 × 模型训练成本)。项目里的示例特征很少所以看不出来，一换到真实策略的几十个特征就露馅。

解决：先降维再评估，用树模型的天然重要性筛掉一半特征后再跑 MDA；或者把每折的模型只 fit 一次，洗牌时复用同一棵树的预测结构，只在预测阶段做洗牌。这个优化能把时间从十几分钟压到两三分钟，而且不影响重要性排序。

注意：上面这些坑多数不是代码 bug，而是环境和理解问题。排查顺序建议固定为版本、数据、参数，先确认依赖一致，再确认数据口径，最后才是调参，盲目改参数只会越改越乱。

6. 改造思路：把这套练习移植到你自己的交易数据上

这套项目最大的价值不是里面的代码本身，而是它把书里的方法论拆成了一个个可以替换零件的模块。拿它做二次开发，我一般按三步走。

第一步是换数据。把 data 目录下的样本行情换成你自己的品种，比如股指期货的 5 分钟线，或者某个币种的日线。关键在预处理：先把时间索引归一化，确保升序且无重复；再决定是否要处理复权，因为分数阶差分对价格中的跳空很敏感，前复权数据和不复权数据跑出来的 d 值会差不少。换完数据先跑 Chapter02，看一眼 ADF 检验的结果，确认你选定的 d 值在新数据上依然成立，而不是照抄示例里的参数。

第二步是换标注。三重障碍里的 pt、sl、t1 三个参数必须跟着你的策略逻辑走：如果你做的是日内短线，t1 可以缩短到几十根 K 线，pt 和 sl 用滚动波动率的分位数而不是固定倍数；如果你做的是日线趋势，t1 就放到几天甚至几周。改完标注不要急着训练，先画出标注分布图，确认 0、1、-1 三类样本的比例在你接受的范围。这一步我每次都会翻车一次，所以现在习惯是先统计、再训练。

第三步是换验证。PurgedKFold 里的 embargo_pct 和数据的时间粒度强相关，日线数据给 0.01 就够，分钟数据可能要给到 0.05 以上。还有一种常见改造是把样本唯一性权重加进去，也就是用标签重叠度给每个样本加权，让重叠多的样本在训练时权重更低——这部分在 Chapter04 里有现成的思路可以抄，核心就是算每个样本的并发事件数，然后取倒数作为权重。

从那次以后，我每次拿到类似的学习型 Notebook 项目，都强制自己先跑一遍内置样本，再换数据，再改参数，最后改结构，绝不跳过中间任何一步。这套流程能帮你避开大部分"代码没问题但结果不对"的玄学时刻。希望帮到你。

本文还有配套的精品资源，点击获取