基于CatBoost模型与分类任务的ETF选基策略
由bq0m8rec创建，最终由bq0m8rec 被浏览 16 用户
0. 策略名词解释
（1）CatBoost模型
CatBoost 是由 Yandex（俄罗斯的一家互联网公司） 开发的一个 基于梯度提升（Gradient Boosting） 的机器学习库，主要用于 分类、回归、排序任务，以处理结构化数据为主。它的名字来自 “Category Boosting”，因为它特别擅长处理 类别特征（Categorical Features）。本策略中使用的是分类任务（二分类）。
在bigquant平台的可视化模块中暂时不支持
\
（2）分类任务
分类任务是指将输入数据划分到预定义的类别中。在 CatBoost 中，分类任务分为 二分类 和 多分类：
- 二分类：目标变量只有两个类别，例如是否欺诈、是否点击广告等。
- 多分类：目标变量有三个及以上的类别，例如图片识别中的“猫 / 狗 / 鸟”。
二分类问题（Binary Classification Problem）是指
在给定输入空间 x 中的样本 x∈X，通过学习一个映射函数 f:X→{0,1}，将样本划分到两个互斥且完备的类别之一。这里的类别通常表示为标签集合 Y={0,1}，其中0和1分别代表两个不同的类别（如正类和负类）。
形式上，给定训练样本集 {(xi,yi)}i=1, n，其中每个样本 xi 有对应的标签 yi∈{0,1}，目标是学习一个分类函数 f，使得对任意新的样本 x，能准确预测其类别标签 y，即
\
1. CatBoost模型实现
1.1 数据准备（Data Preparation）
这张 Feature Value Distribution (Box Plot) 图是用于快速评估各个特征的数值分布形态、离群情况及标准化需求，为后续特征工程提供依据。
这里只是其中四个特征的box plot图
从下图可以看出，大部分特征值在中位数附近对称分布，但 F2存在明显偏态，且F3出现了较多离群值，需进一步处理以提升模型稳定性。
这张图是标签分布图，样本中上涨（label=1）占比为 40.3%，未上涨（label=0）占比为 59.7%。如下图所示，标签分布基本均衡，有利于二分类建模。
\
1.2 预测函数（Prediction Function）
- CatBoost 是基于梯度提升树的模型，最终的预测函数是多个弱学习器（决策树）的加权和：
预测概率：\nCatBoost 输出的是对数几率（logit），需通过 sigmoid 激活函数变成概率：
下图展示了 CatBoost 模型对训练样本的预测概率分布。从图中可以看出，模型预测概率集中在 0.4~0.6 区间，说明预测结果偏向保守；红线表示均值，橙线代表 ±1 个标准差范围，便于观察预测信心水平。
\
1.3 损失函数（Loss function）
CatBoost 默认的二分类损失是 Logloss（对数损失函数）：
公式：
简化形式（以 sigmoid 激活表示）：
该图展示了模型在训练过程中的 Logloss 损失函数的变化趋势，包括：
- 蓝线：训练集的 Logloss 随训练轮数下降，表示模型在拟合训练数据；
- 红线（如有）：验证集的 Logloss，如果下降后又上升，可能表示过拟合；
- Y 轴采用 对数坐标，能更清晰地观察收敛速度；
- 可用于判断是否需要 Early Stopping。
\
1.4 正则化 （Regularization）
目标： 限制模型复杂度，防止过拟合
正则项公式：
其中 wj 是叶子节点值。
- AUC 衡量的是模型将 正类样本排在负类样本前面的概率。
- 范围在 0~1 之间：
-
AUC = 1：完美分类器，模型可以完美区分正负样本。
-
AUC = 0.5：模型没有区分能力，相当于随机猜测。
-
AUC < 0.5：模型判断方向可能反了（反着来还能更好）。
\
-
1.5 目标函数（Objective function）
CatBoost 的优化目标为 损失函数 + 正则化项，obj= Loss Function+Panelty：
损失函数衡量预测值与真实标签的误差；
- 正则项惩罚模型复杂度；
- 优化通过梯度提升方法（Gradient Boosting）逐步最小化目标函数。
\
1.6 优化过程（Boosting Optimization）
CatBoost 基于 梯度提升决策树（GBDT） 的思想，使用以下改进方式：
这张图展示了Boosting模型在训练过程中的性能变化，横轴表示训练轮数（Boosting Rounds），纵轴表示模型的AUC评分。绿色曲线代表训练集的AUC，橙色曲线代表验证集的AUC。
- 随着训练轮数增加，训练集AUC持续上升，说明模型在学习并拟合训练数据；
- 验证集AUC也在上升，表明模型泛化能力逐步提升；
- 验证集AUC曲线趋于平稳，说明模型训练接近收敛，避免了过拟合；
- 该曲线帮助我们直观判断最佳训练轮数和模型性能，便于调整训练策略。
总结来说，这张图是模型训练和优化的关键监控指标，能够反映Boosting算法的收敛过程和效果
\
1.7 训练过程（Training Process）
这张图显示了模型在训练过程中随着训练轮数（Training Rounds）增加，训练集和验证集的AUC（Area Under Curve，曲线下面积）指标的变化情况。
\
1.8 模型检验（Evaluation）
CatBoost 多分类模型常用的评估指标为：
- 准确率（Accuracy）
我们只看左上角的那张图：
混淆矩阵（confusion matrix）是用来评价分类模型性能的一个工具，它以矩阵的形式展示了模型预测结果与真实标签的对应关系，具体分成四个部分：
| 预测为负类（Negative） | 预测为正类（Positive） | |
|---|---|---|
| 真实负类 | 真负例 (True Negative, TN) | 假正例 (False Positive, FP) |
| 真实正类 | 假负例 (False Negative, FN) | 真正例 (True Positive, TP) |
- 真负例 (TN)：模型正确预测为负类的数量（比如预测“不涨”，实际也“不涨”）。
- 假正例 (FP)：模型错误预测为正类的数量（预测“涨”，实际“不涨”，即误报）。
- 假负例 (FN)：模型错误预测为负类的数量（预测“不涨”，实际“涨”，即漏报）。
- 真正例 (TP)：模型正确预测为正类的数量（预测“涨”，实际“涨”）。
我们通过分析confusion matrix 发现：
这个模型存在误报的概率较高 所以 还需要继续改进模型
\
2 历史数据回测
\
3 总结
3.1 策略优势
CatBoost + Softmax
3.2 可优化方向
- 特征选择与降维：尝试自动特征筛选，减少冗余，提高模型泛化能力。
- 标签构建改进：探索多类别标签或回归标签，提升预测精度。
- 模型调参与融合：尝试更多模型或调参（如学习率、深度），甚至模型融合。
- 更多市场环境因子：引入宏观数据、行业因子或情绪指标，增强适应性。
- 动态持仓数量调整：根据市场波动或信号强度调整持股数，提高灵活性。
- 数据质量及异常处理：加强缺失值和异常值处理，保证数据稳定性。
\