首页 编写策略 数据平台 策略社区 我的策略 宽客学院 知识库
免费注册
BigQuant 2026年度私享会

除了XGBoost，BigQuant平台还支持哪些机器学习模型？

由bq4y4j3i创建，最终由bq4y4j3i 被浏览 1 用户

以下信息由“豆包”生成，不一定完全准确。

BigQuant作为专业的量化投研平台，对**经典机器学习、深度学习、量化专用模型**均做了深度适配，支持**Python原生库调用**+**平台内置封装**两种方式，能完美衔接量化因子挖掘、模型训练、回测一体化流程，除XGBoost外，主流模型全覆盖，且针对量化场景做了性能优化（如高维因子、时间序列、多标的数据处理）。

以下按**量化投研常用场景**分类，整理BigQuant支持的核心机器学习模型，包含**模型类型、调用方式、量化适用场景**，贴合A股/港股/美股等市场的因子预测、选股、择时、套利等业务需求：

一、经典树模型（量化选股/因子预测最常用）

这类模型对非线性因子、量价数据的适配性极强，是量化策略的核心模型，BigQuant支持Python原生库直接调用，且对大样本因子数据做了计算加速：

  1. LightGBM
    • 调用：import lightgbm as lgb（原生库，与XGBoost语法兼容）
    • 优势：比XGBoost训练更快、内存占用更低，对高维因子（如百维/千维因子）、稀疏数据处理更友好，量化中常用来做因子筛选+多因子预测
    • 适用：A股日频/分钟级选股、因子收益率预测
  2. CatBoost
    • 调用：import catboost as cb（原生库）
    • 优势：自动处理类别型因子（如行业、概念、风格标签），无需手动独热编码，量化中可直接融入行业分类、板块轮动等类别特征
    • 适用：含大量类别因子的选股模型、风格轮动策略
  3. 随机森林/Random Forest
    • 调用：from sklearn.ensemble import RandomForestRegressor/Classifier
    • 优势：模型鲁棒性强，能输出因子重要性，适合量化中因子有效性检验，避免过拟合
    • 适用：因子挖掘、低维因子组合的选股模型
  4. 梯度提升树/GBRT
    • 调用：from sklearn.ensemble import GradientBoostingRegressor/Classifier
    • 优势：经典梯度提升框架，可自定义损失函数，适合量化中自定义目标标签（如超额收益、夏普比率预测）
    • 适用：个性化标签的因子预测模型

二、线性/广义线性模型（因子定价/基准模型）

这类模型是量化因子定价、多因子基准的基础，能清晰反映因子与收益的线性关系，BigQuant支持原生调用+平台内置因子正交化、量纲标准化衔接：

  1. 普通线性回归/LR
    • 调用：from sklearn.linear_model import LinearRegression
    • 适用：CAPM、Fama-French三因子/五因子模型、线性多因子定价、因子收益率拟合
  2. 岭回归/套索回归/Lasso/ElasticNet
    • 调用：from sklearn.linear_model import Ridge, Lasso, ElasticNet
    • 优势：带正则化，解决量化高维因子的多重共线性问题，自动做因子筛选（Lasso可将无效因子系数置0）
    • 适用：高维因子压缩、多因子模型的因子筛选
  3. 逻辑回归/Logistic Regression
    • 调用：from sklearn.linear_model import LogisticRegression
    • 适用：量化二分类场景（如股票涨跌预测、突破/横盘分类、择时信号生成）
  4. 泊松回归/负二项回归
    • 调用：from sklearn.linear_model import PoissonRegressor
    • 适用：量化计数型目标预测（如股票成交量涨跌幅、换手率分级预测）

三、无监督学习模型（因子挖掘/聚类/降维）

主要用于量化因子预处理、因子挖掘、标的聚类，解决高维因子冗余、因子风格划分、行业/板块自动聚类等问题，是量化投研的前置重要环节：

  1. 主成分分析/PCA
    • 调用：from sklearn.decomposition import PCA
    • 核心：高维因子降维，将冗余的相关因子转化为正交的主成分因子，避免多重共线性
    • 适用：百维以上高维因子压缩、因子合成
  2. 因子分析/FA
    • 调用：from sklearn.decomposition import FactorAnalysis
    • 核心：比PCA更贴合量化因子挖掘，能提取潜在公共因子（如市值因子、动量因子的底层公共因子）
    • 适用：量化多因子模型的公共因子提取
  3. K-Means聚类
    • 调用：from sklearn.cluster import KMeans
    • 适用：股票标的聚类（如按市值/估值/流动性聚类）、因子风格聚类、行业细分聚类
  4. DBSCAN密度聚类
    • 调用：from sklearn.cluster import DBSCAN
    • 优势：无需指定聚类数量，能发现不规则形状的聚类，适合小众风格板块挖掘
    • 适用：量化风格轮动、冷门赛道标的筛选
  5. TSNE/UMAP
    • 调用：from sklearn.manifold import TSNE/import umap
    • 核心：高维因子可视化，将百维/千维因子映射到2D/3D空间，直观查看因子/标的的分布规律
    • 适用：因子有效性可视化、标的风格分布分析

四、深度学习模型（复杂模式/时间序列预测）

BigQuant支持TensorFlow/PyTorch原生调用，且提供量化专用的时间序列数据处理接口（如将多标的量价数据转为时序张量），适合挖掘量价数据中的非线性复杂模式，多用于中高频择时、趋势预测：

  1. 全连接神经网络/MLP
    • 调用：from tensorflow.keras.models import Sequential/import torch.nn as nn
    • 适用：低维因子的非线性拟合、股票收益多分类预测
  2. 循环神经网络/RNN/LSTM/GRU
    • 调用：TensorFlow/PyTorch原生实现
    • 优势：捕捉时间序列特征（如股票价格的趋势、波动、滞后效应）
    • 适用：A股分钟级择时、期货趋势预测、量价时序模式挖掘
  3. 卷积神经网络/CNN
    • 调用：TensorFlow/PyTorch原生实现
    • 优势：提取量价数据的局部特征（如K线形态、成交量异动、盘口特征）
    • 适用：K线形态识别（如头肩顶、双底）、分钟级盘口数据预测
  4. Transformer/Attention
    • 调用：PyTorch/TensorFlow+HuggingFace
    • 优势：捕捉多标的/多因子之间的长距离依赖（如板块轮动、跨市场联动）
    • 适用：多市场套利、板块轮动预测、高维时序因子挖掘
  5. 时序卷积网络/TCN
    • 调用：from tcn import TCN
    • 优势：比LSTM训练更快、捕捉长时序特征更高效，适合量化高频时间序列
    • 适用：期货高频择时、A股分钟级选股

五、量化专用模型/集成学习（平台特色+工业级策略）

BigQuant除了支持通用模型，还对量化场景的集成学习、专用模型做了封装，适配量化滚动训练、在线学习、多模型融合的工业级需求：

  1. Stacking/Bagging/Blending集成学习
    • 调用：from sklearn.ensemble import VotingRegressor/Classifier（原生）+ 平台自定义封装
    • 核心：多模型融合（如XGBoost+LightGBM+LR），提升策略的鲁棒性和稳定性，避免单一模型失效
    • 量化常用：选股模型中融合树模型+线性模型，兼顾非线性拟合和因子线性定价
  2. 在线学习模型（如SGDRegressor/PA）
    • 调用：from sklearn.linear_model import SGDRegressor
    • 优势：支持增量训练，无需每次重新训练全量数据，适合量化滚动训练/实时更新模型
    • 适用：实盘策略的模型在线更新、高频策略的实时因子拟合
  3. BigQuant平台内置量化模型
    • 平台封装了QNN（量化神经网络）、因子挖掘模型、智能选股模型等，直接通过平台可视化界面调用，无需手动写代码，适合快速做策略原型验证
    • 如：平台内置的多因子智能选股模型，自动完成因子筛选、模型训练、回测一体化

六、模型评估/优化工具（量化专用）

BigQuant不仅支持模型训练，还适配量化场景的模型评估、超参数优化，解决量化模型过拟合、样本外失效的核心问题：

  1. 超参数优化：支持optuna/gridsearchcv/randomizedsearchcv原生调用，可对XGBoost/LightGBM等模型做量化专用的超参数搜索（如按样本外收益率、夏普比率优化，而非传统的RMSE/R2）
  2. 量化模型评估指标：除了SKlearn的RMSE/R2/ACC，平台内置收益率、最大回撤、夏普比率、信息比率等量化专用指标，直接作为模型训练的损失函数/评估标准
  3. 滚动验证/时间序列交叉验证：支持TimeSeriesSplit原生调用，避免量化中未来数据泄露，保证模型的样本外有效性（量化核心禁忌：未来数据泄露）

七、BigQuant模型调用的核心优势（量化场景）

  1. 数据无缝衔接：平台内置A股/港股/美股的量价、财务、因子、舆情等数据，模型训练可直接通过dai.query获取数据，无需手动下载/清洗，避免数据格式不兼容
  2. 计算性能优化：对高维因子、大样本数据做了分布式计算加速，训练千万级样本、千维因子的模型时，比本地Python快10~100倍
  3. 回测一体化：模型训练完成后，可直接在平台做回测+实盘对接，无需手动迁移模型/数据，实现“因子挖掘→模型训练→回测→实盘”的全流程闭环
  4. 避免未来数据泄露：平台的时间序列数据处理接口，天然适配量化的滚动训练、时间序列交叉验证，从底层避免未来数据泄露

量化模型选择建议（贴合BigQuant平台）

量化场景 首选模型 次选模型
A股日频选股/因子收益预测 LightGBM/XGBoost CatBoost/随机森林
高维因子压缩/因子挖掘 Lasso/PCA/因子分析 随机森林（因子重要性）
股票涨跌/择时二分类 逻辑回归/LightGBM分类 XGBoost分类
时间序列择时/量价预测 LSTM/TCN/Transformer GRU/CNN
实盘在线更新模型 SGDRegressor/在线学习 LightGBM增量训练
多模型融合/工业级策略 Stacking/Voting集成 XGBoost+LR融合
快速策略原型验证 平台内置量化模型/QNN LightGBM（快速训练）

补充：BigQuant中模型切换的简易示例（XGBoost→LightGBM）

以之前的滚动训练模板为例，将XGBoost替换为LightGBM仅需修改模型训练/预测部分，其余代码完全不变，适配性极强：

# 替换为LightGBM训练
import lightgbm as lgb
X_train = df[context.feature_list]
y_train = df['label']
# 定义LightGBM参数
params = {
    'objective': 'regression',
    'num_leaves': 31,
    'learning_rate': 0.1,
    'metric': 'rmse'
}
# 训练模型
lgb_train = lgb.Dataset(X_train, y_train)
context.model = lgb.train(params, lgb_train, num_boost_round=30)
# 预测
df['score'] = context.model.predict(df[context.feature_list])

综上，BigQuant对机器学习模型的支持全覆盖、高适配、高性能，从经典的树模型、线性模型，到深度学习、量化专用模型，均能完美衔接量化投研的全流程，且针对量化的核心痛点（数据泄露、高维因子、样本外失效）做了底层优化，是量化模型训练+回测的专业平台。

标签

深度学习量化模型
{link}