新模型把预测误差降到了零，选股名单也变了。研究者准备换掉旧方法，却在费用账本里发现：两套方法最后留下的钱一分不差。预测更准，为什么没有多赚？
因为预测、选择与执行之间还隔着规则。我们实际运行一条直线和一棵简单树，再沿同一账户条件追到现金。学完不必立刻用机器学习；能说清它改变了什么、还没增加什么，就已经完成了一项有价值的比较。
先分清你让AI做哪份工作
这次要完成三件事：固定训练资料、标签与两个候选；复核预测误差、入选和含费结果；在离线教具重跑原例及一个受控变式，保存一份T19模型增量记录。
经济策略先提出问题：某种当时可知的价格特征，是否有助于选择下一持有期股票？预测算法把特征转成数值估计；选择规则再决定买谁、买多少。执行系统处理订单、成交、现金和异常，不能凭预测值直接宣布已买入。
LLM助手又是另一层。它可以帮你整理资料、生成实现和解释结果，不等于特征事实来源，也不等于这次训练得到的OLS或树。让AI写模型，不会免除核训练边界、数据许可和成交账本的责任；生成一段流畅解释，也不能替代实际模型输出。
把任务固定到能手查的大小
下面独立C9-90-v1全部为合成机制，不替换C7动量输入或C9真实研究。唯一特征x是预定的抽象价格得分，单位为得分，不是股价或未来收益。四行训练资产来自较早T0时点，标签是T1开盘买入、T2开盘卖出的毛收益；T2早于后期D0决策，训练标签届时全部可得。
后期四资产A、B、C、D在D0的x仍为1、2、3、4，身份与资格在题设中完整。D0以后不再训练，最早D1开盘买入，D2开盘退出；两段持有期不重叠。没有随机拆开同一个日期，也没有把D2收益作为D0特征。
| 早期训练资产 | x | T1买价 | T2卖价 | 毛标签 |
|---|---|---|---|---|
| TA | 1 | 100 | 100 | 0% |
| TB | 2 | 100 | 100 | 0% |
| TC | 3 | 100 | 104 | 4% |
| TD | 4 | 100 | 104 | 4% |
只比较两个预先登记的候选：含截距普通最小二乘直线，以及最大深度1、每片叶至少2行的平方误差回归树。不选新特征、不调深度、不搜索权重，本例不缩放或插补。真实任务若需要这些步骤，也只能从允许的训练资料估计，再应用到后续资料；测试不能参与选择。[1]
所有标签都由作者构造并已知。教具先隐藏后期结果，是为了让读者先判断，不是声称作者拥有未知留出。四行训练和一个后期截面，远不足以评估市场中的稳定性、时期覆盖或试验选择风险。
一条直线，和一次分叉
普通最小二乘（OLS）在本例找一条直线，使训练预测与标签的平方差合计最小；这种线性模型的形式与拟合目标见官方说明。[2] 本例x均值2.5、收益均值0.02，计算得到斜率0.016、截距−0.02，预测就是−0.02加0.016乘x。
例如x为3，预测0.028，即2.8%；x为4，预测4.4%。这是收益估计，不是发生概率，出现负预测也不代表概率为负。OLS将得分差距变成连续变化，未必适合所有真实关系。
回归树按特征条件分开样本，在叶中给一个预测值。官方资料将它描述为分段常数近似，并说明深度和叶片约束等控制方式。[3] 本例四行且每叶至少2行，只能在2与3之间切一次，阈值为2.5；左两行平均标签0，右两行平均4%。
这棵树只学到“低组0、高组4%”的阶梯。它没有理解公司、识别因果或掌握市场机制。以后x跑到训练范围之外，直线和树还会按各自形式输出，不代表训练资料已经覆盖那种状态。
预测表更漂亮，持仓结果仍要另算
先用冻结模型预测后期四资产，再揭示原例D2毛标签0%、0%、4%、4%。
| 后期资产 | x | OLS预测 | 树预测 | 后期毛标签 |
|---|---|---|---|---|
| A | 1 | −0.4% | 0% | 0% |
| B | 2 | 1.2% | 0% | 0% |
| C | 3 | 2.8% | 4% | 4% |
| D | 4 | 4.4% | 4% | 4% |
平均绝对误差（MAE）先取每行预测与标签差的绝对值，再平均。OLS四行误差是0.4、1.2、1.2、0.4个百分点，平均0.8个百分点；树全部为零。另存均方误差MSE时，以收益小数计算，OLS为0.00008、树为0，不能把小数平方直接标成收益百分比。
选择仍按前20%人数向上取整，四只选一只，预测高优先；预测差在1e−12内视为并列，按稳定ID字典序。OLS选D，树的C与D同为4%，因此选C。树没有预测C一定比D更好，是预先定的并列规则决定了最终持仓。
原例C和D都毛涨4%。所以误差下降虽确实发生，入选资产却恰好取得相同回报。没有费用账之前还不能报净收益；更不能看到树误差为零，就把它命名成纯Alpha。
把两套方法放进同一种现金账户
两模型各以10000美元现金开始，D1均按100完整买入，D2按104全部卖出。为单独检查模型对照，本例只设买卖佣金各5基点，不设滑点、税、分红或利息；这是独立执行模型，不冒充C2的佣金加方向滑点基准。
买入数量按含费预算计算，再向下取至百万分之一份，得到99.950024份。买价款9995.0024，加买佣金4.9975012，剩现金0.0000988。没有把满100份放进账户后再让现金变成负数。
卖所得10394.802496，卖佣金5.197401248，加买后余现，最终现金10389.605193552，净损益389.605193552，单持有期净收益约3.896052%。两模型这份账完全相同，没有本期组合增量；原来的毛4%与费用后的结果分开保存，不年化这个未给日历长度的区间。
内部账用精确整数货币单位，展示小数不回写账本；作者还用独立有理数程序复算，不靠两个AI意见一致。真实C9仍缺历史身份、成员、公司行动、退市与成交条件，同池基准、跨期风险及容量也需完整重建。本例只过机制比较，不是完整因子项目通过。
不写代码，自己重走一次
取得离线教具文件并保存到本地，用浏览器打开即可；它是单个HTML，不需账号、安装或网络。若当前阅读器把它显示成源码，请保存原文件后从文件夹选择浏览器打开，不能把源码预览当运行结果。网页站点的下载入口集成仍须另验。
先选原例，点击“按固定规格训练并预测”，抄下两模型预测及所选ID；暂不揭示标签。写一句你认为误差更低是否必然多赚钱，再点击揭示，逐项核买卖费用与现金。最后导出CSV，检查里面有版本、情景、训练与后期输入、两种预测、选股、误差和终值。
原版导出后才选受控变式。切换会清空当前展示，训练资料和参数不变，后期D标签被替换为另给值；它是设计好的敏感性练习，不是新发现的市场样本。刷新不会替你保存历史，所以保留两个CSV，不覆盖掉原来的无增量结果。
作者已在隔离无头浏览器实际执行原例、变式、标签揭示和CSV下载，并检查390像素布局、脚本错误及外部请求。它证明这些具体路径运行过，不代替目标读者在新电脑无提示操作，也不证明任何应用已经支持真实股票机器学习。
比模型之前，先算维护负担
在真实研究中，应同时固定问题、股票池、预测起终点、训练范围、费用和试验预算，再看模型是否改善样本后的预测、入选稳定性及净组合。更低误差可能来自不重要的股票，交易边界没变；也可能让名单频繁更换，成本吞掉毛差额。本例就能看见这段传导：直线选D，树因并列规则选C，而C与D同涨4%，改了名单却没改账户。真实研究要查的正是误差改善有没有穿过选择与执行这两关，而不是只看误差表最后一列。
深度学习应先有适合其结构的任务与足够资料、可靠简单基线及可承担的验证维护预算。强化学习还需要可信的行动、反馈和执行环境，奖励函数与模拟器漏洞都可能制造好看的训练成绩。模型名不是进入理由，也不能把LLM生成的解释当作环境验证。
硬件同样按瓶颈决定。这个四行任务在普通CPU路径就已实际运行，浏览器记录本次拟合和核算耗时；它不是长期基准，不应外推处理海量股票的速度。需要GPU时，应先测具体模型的数据规模、耗时、内存或显存、重复次数和总费用，再比较升级或云端方案。买硬件不能补齐缺失标签、泄漏检查和经济解释。
只改后期D，哪些东西应该保持不变
解释题：树的MAE为零，为什么不能因此宣布它更会赚钱？近迁移：训练资料、参数、后期x、并列规则和费用全部保持，只把后期D的毛标签改为2%，即D2卖价102；C仍104。先写预测、所选ID会不会改变，再估计两个净账户是否还相同，最后在教具选择变式核对。
答案是预测与ID完全不变：OLS仍D，树仍C。树MAE变0.5个百分点，OLS变1.3个百分点；两者MSE分别0.0001和0.00022。OLS卖D的价款变10194.902448，卖佣金5.097451224，期末10189.805095576，净收益约1.898051%；树仍为原10389.605193552。
这个变式确实产生了本次组合差异，却只是因为明确替换了已给后期输入，不是重新训练或新增独立证据。若有人看到它就提高树权重、加深树或只保留这一版，已经在进行新开发试验，应登记，不能继续称原冻结对照。解释题要同时指出误差与选择的目标不同，以及一段构造数据不能证明未来优势。
留下一份T19，而不是一个赢家名字
保存版本、任务、唯一特征、标签时点、训练与后期范围、两个候选及尝试预算、预测/ID、误差单位、含费账本、原例与变式CSV、资源记录和未验证项。请另一位读者从HTML开始重复关键操作，再比较导出；若缺字段或结果不符，记录受阻及第一处分歧，不临时代跑后声称读者通过。
把两份CSV并排，先核同一资产的两种预测，再沿所选ID核成交价与费用。原例应是误差不同而终值相同，变式应是预测不变而OLS终值下降；若这两种区别能解释清楚，就知道这份T19支持到哪一步。原版仍保留，真实策略是否值得投入另列待检。
小结：沿预测走到现金，才知道模型多做了什么
遇到更强模型，先问它是否解决同一任务，再沿预测、排名、订单、现金追到实际差异。若经济增量和维护条件尚未出现，保留简单方法或继续研究都合理。判断升级的依据，是同条件下能复查的新增价值，不是工具名字听起来更先进。
参考资料
- scikit-learn：Common pitfalls and recommended practices。训练/测试边界和预处理泄漏。
- scikit-learn：Linear Models。OLS形式与平方误差拟合；本教具自行实现固定小例，不调用该库或声称该库实测。
- scikit-learn：Decision Trees。回归树、分段常数预测、深度与叶片约束及限制。
核查日期2026-10-29。AI辅助编写与检查，待人类金融审校和目标读者无代码试用。教具全部离线、合成，不连接交易或数据服务，不代表真实C9完成。