入门 · 12讲机器学习量化类别不平衡量化标签机器学习量化模型评价
量化标签里类别不平衡怎么处理？不是简单过采样就能解决
讨论量化机器学习中类别不平衡问题的处理方式，帮助研究者避免在标签设计和评价阶段踩坑。
在很多量化分类任务里，真正显著的上涨、下跌或异常事件本来就很少见，这会让模型容易学会“多数类保守策略”而不是有效识别少数关键信号。
如果只是机械做过采样或调权重，却不改评价指标和决策阈值，模型看起来精度可能提高，实际交易价值却未必更好。
- 不平衡是目标设计问题也是训练问题
- 评价指标必须和交易目标一致
- 只做过采样常常不够
更稳的处理方式是什么
更稳的做法是从标签定义、采样方式、评价指标和交易后果一起设计处理方法，而不是把不平衡当成纯算法问题。
类别不平衡的关键，不是让数据看起来平，而是让模型更关注真正重要的少数事件。
资料与阅读边界
本文为方法讨论与教学说明。文中示例不等于经独立验证的收益实证；如需具体数据、计算口径或资料来源，可通过官方渠道提出核对请求。
历史结果不代表未来表现。使用前请检查数据时间边界、样本独立性、交易成本及适用条件。
关键结论
- 类别不平衡不能只靠技术补丁解决
- 标签、评价和阈值要一起设计
- 交易目标决定你该偏向哪种错误类型
关联课程
如果你想把这篇文章里的方法系统化学习，可以从这些课程继续深入。
入门 · 12讲
高级策略闭环
AI量化全流程高级班
按三个阶段完成12个1小时课时，从无未来函数基准模型、动态风控和增量学习，到Transformer策略原型与AI增强传统策略；每课包含教学目标、实操任务与交付物。
¥6,999查看课程