本文从模型训练和模型预测两部分对StockRanker的结果做了详细介绍，希望大家可以对StockRanker有更深入的了解。
作者：bigquant
阅读时间：5分钟
本文由BigQuant宽客学院推出，难度标签：☆☆
通过BigQuant AI策略详解，我们已经对StockRanker有了一个基本介绍。接下来我们在 模型训练和 模型预测 这两步详细介绍StockRanker模型的返回结果，以便于能够更好地开发AI策略。
模型训练
代码部分：
# StockRanker机器学习训练
m5=M.stock_ranker_train.v3(training_ds=m4.data, features=conf.features)
结果查看：
当我们完成模型训练以后，根据策略研究平台的自动补全功能，就可以查看模型的一些结果（属性和方法）。
-
模型ID
直接输入 m5.model_id接可以输出模型的ID。这个ID在平台上具有唯一性和全局性，只要记住该ID就可以在其他策略里面正常使用，策略开发就非常灵活。 -
特征得分
特征得分是StockRanker模型基于各个特征对模型贡献度的一个数量型评估指标，因此我们可以通过特征得分来进行特征的选择、组合、删除等工作。
如图所示，直接输入m5.features_gains可以得到特征得分结果，不过类型为内置的DataSource，因此需要通过read_df读出来，读出来的结果为DataFrame格式。 -
可视化模型
这一步，我们可以将模型的各个细节绘制出来，便于查看。详情可以参考：StockRanker模型可视化
模型预测
代码部分：
# 测试集为17年1月到七月的100只股票数据
# 特征抽取
n1 = M.general_feature_extractor.v5(
instruments=D.instruments[:100],
start_date='2017-01-01', end_date='2017-07-31',
model_id=m5.model_id)
# 特征转换
n2 = M.transform.v2(
data=n1.data, transforms=T.get_stock_ranker_default_transforms(),
drop_null=True, astype='int32', except_columns=['date', 'instrument'],
clip_lower=0, clip_upper=200000000)
# 模型在测试集上进行预测
n3 = M.stock_ranker_predict.v2(model_id=m5.model_id, data=n2.data)
结果查看：
同模型训练一样，一旦我们完成模型预测以后，根据平台的代码自动补全功能，我们就可以查看模型预测结果。
- 股票排序结果
股票排序结果直接用来开发交易策略，输出每个交易日股票的得分情况，股票得分越高，表明该股票越值得买入。从图中可以看出，2017年1月3日，最值得买入的股票为‘000026.SZA’。
小结：本文从模型训练和模型预测这两方面详细介绍StockRanker模型的返回结果，希望可以帮助大家对AI量化策略进行更好的理解。
本文由BigQuant宽客学院推出，版权归BigQuant所有，转载请注明出处。
- 上一页：BigQuant回测机制
- 下一页：无需代码构造您自己的衍生因子
- 目录：量化学院
