M.stock_ranker_train_rolling

定义

M.stock_ranker_train_rolling.v3(self, data, evaluation_start_date, features, number_of_leaves=30, minimum_docs_per_leaf=1000, number_of_trees=20, learning_rate=0.1, max_bins=1023, feature_fraction=1, model_update_days=365, training_max_days=0)

股票排序，机器学习模型训练。StockRanker属于集成学习，模型由多棵决策树组成，所有树的结论累加起来做为最终决策分数。

参数:

• data (DataSource) – 数据和评估数据。
• evaluation_start_date (str) – 评估开始日期。
• features (列表|DataSource) – 特征列表。
• number_of_leaves (int) – 叶节点数量：每棵树最大叶节点数量。一般情况下，叶子节点越多，则模型越复杂，表达能力越强，过拟合的可能性也越高；默认值是30。
• minimum_docs_per_leaf (int) – 每叶节点最小样本数：每个叶节点最少需要的样本数量，一般值越大，泛化性性越好；默认值是1000。
• number_of_trees (int) – 树的数量：一般情况下，树越多，则模型越复杂，表达能力越强，过拟合的可能性也越高；默认值是20。
• learning_rate (float) – 学习率：学习率如果太大，可能会使结果越过最优值，如果太小学习会很慢；默认值是0.1。
• max_bins (int) – 特征值离散化数量：一般情况下，max_bins越大，则学的越细，过拟合的可能性也越高；默认值是1023。
• feature_fraction (int) – 特征使用率：在构建每一颗树时，每个特征被使用的概率，如果为1，则每棵树都会使用所有特征；默认值是1。
• model_update_days (int) – 模型更新周期；默认值是365。
• training_max_days (int) – 训练最多使用training_max_days天的数据。如果为0，表示没有限制，从起始日期开始用；默认值是0。

返回:

• .evaluation_data: 预测结果，已合并各rolling阶段的评估数据
• .evaluation_start_date: 预测数据开始日期
• .evaluation_end_date: 预测数据结束日期
• .evaluation_instruments: 预测数据里的所有证券代码
• .latest_model_id: 最后一个rolling的模型
• .rollings: 数组，可以访问每一个rolling的结果，参考 股票排序学习模型 M.module_stock_ranker_train

返回类型:

Outputs