基于XGBoost模型的智能选股策略

由clearyf创建，最终由qxiao更新于2024-05-20 02:09 被浏览 1052 用户

旧版声明

本文为旧版实现，供学习参考。

导语

上篇报告介绍了集成学习里Bagging方法的代表算法随机森林，本文将着眼于另一种集成学习方法：Boosting，并深入介绍Boosting里的“王牌” XGBoost 模型。最后，以一个实例介绍XGBoost模型在智能选股方面的应用。

Boosting V.S. Bagging

作为集成学习的两大分支，Boosting和Bagging都秉持着“三个臭皮匠顶个诸葛亮”的想法，致力于将单个弱学习器组合成为一个强学习器。他们的不同主要在组合方式上：

Bagging如上篇报告介绍的，采用bootstrap随机抽样从整体数据集中得到很多个小数据集（小袋），用每一个小数据集分别并列训练弱学习器，最后采纳投票或者取均值的方式得到强学习器。

而Boosting的想法是加强，用整体数据集训练出第一个弱学习器后，在此基础上采用调整权值或者拟合残差的方法降低数据集的损失，最后采用加权平均或者加法原理得到强学习器。Boosting每一步的优化都要在得到上一步弱学习器的基础上进行，是一种“串行”的方法。

图1：Boosting 和 Bagging 示意{w:100} 这两种方法的主要区别如下：

{w:100}

XGBoost原理解析

XGBoost的主要原理

XGBoost（eXtreme Gradient Boosting）全名为极端梯度提升，是一种Boosting集成算法。它通过最小化损失函数（目标函数）训练单个弱学习器，然后计算得出残差，用残差集再去训练新的弱学习器，目的在于让样本的损失变得更小。在所有的弱学习器训练完成后，将得分加总得到强学习器的得分。

XGBoost的创新之处在于在单纯的损失函数：$ \sum_{i=1}^{n}L(y_i,\hat{y_i})$ 基础上增加了惩罚项：$ \sum_{k=1}^{K}\Omega(f_k)$，降低模型的复杂度，从而避免过拟合问题。

{w:100} XGBoost 的思想可以用一个通俗的例子解释，假如某人有170厘米身高，我们首先用160厘米去拟合，发现残差有10厘米，这时我们用6厘米去拟合剩下的残差，发现残差还有4厘米，第三轮我们用3厘米拟合剩下的残差，残差就只有1厘米了。如果迭代轮数还没有完，可以继续迭代下去，每一轮迭代，拟合的身高残差都会减小。

XGBoost的重要参数

框架参数

n_estimators：最大弱学习器的个数。一般来说n_estimators太小容易欠拟合，数量太多容易过拟合。实际调参时n_estimators与learning_rate一起考虑。
learning_rate：学习率，每个弱学习器的权重缩减系数v，也称作步长，取值在0到1之间。v越小，弱学习器迭代次数越多。
subsample：子采样率，取值在0到1之间。若取值为1，则使用全部样本。如果取值小于1，则只有部分样本会做XGBoost拟合，可以减少方差，防止过拟合；但同时会增大样本拟合的偏差，因此取值不能太低。

弱学习器参数

max_features：决策树划分时考虑的最大特征个数，默认全部考虑。若特征过多可以取部分特征以加快生成时间。
colsample_bytree：构建树时的列抽样比例。
colsample_bylevel：决策树每层分裂时的列抽样比例。

XGBoost的优势

XGBoost 在损失函数里加入了正则项，用于控制模型的复杂度。从方差和偏差权衡的角度来讲，正则项降低了模型的方差，使训练得出的模型更加简单，能防止过拟合。
XGBoost 除了决策树外，还支持线性分类器作为弱分类器，此时XGBoost 相当于包含了L1 和L2 正则项的Logistic 回归（分类问题）或者线性回归（回归问题）。
XGBoost 借鉴了随机森林的做法，支持特征抽样，在训练弱学习器时，只使用抽样出来的部分特征。这样不仅能降低过拟合，还能减少计算。
XGBoost 支持并行。但是XGBoost 的并行不是指能够并行地训练决策树，XGBoost 也是训练完一棵决策树再训练下一棵决策树的。XGBoost 是在处理特征的层面上实现并行的。我们知道，训练决策树最耗时的一步就是对各个特征的值进行排序（为了确定最佳分割点）并计算信息增益，XGBoost 对于各个特征的信息增益计算就可以在多线程中进行。

其他

特征重要性排序：与随机森林类似，基于决策树的XGBoost模型也可以给出特征重要性的排序。其原理与随机森林类似，可参见随机森林专题研究。
模型评价：同样可参见随机森林专题研究。

XGBoost智能选股

{w:100} 如图4所示，XGBoost的策略构建包含下列步骤：

获取数据 ：A股所有股票。
特征和标签提取 ：计算18个因子作为样本特征；计算未来5日的个股收益作为样本的标签。
特征预处理 ：进行缺失值处理。
模型训练与预测 ：使用XGBoost模型进行训练和预测。
策略回测 ：利用2010到2017年数据进行训练，预测2017到2019年的股票表现。每日买入预测排名最靠前的5只股票，至少持有五日，同时淘汰排名靠后的股票。具体而言，预测排名越靠前，分配到的资金越多且最大资金占用比例不超过20%；初始5日平均分配资金，之后，尽量使用剩余资金（这里设置最多用等量的1.5倍）。
模型评价 ：查看模型回测结果，并与随机森林进行对比。

回测结果如下：图5：XGBoost回测结果{w:100} 对比随机森林在同一时段的回测结果：图6：随机森林回测结果{w:100} XGBoost与随机森林相比，明显的优势在于回测速度很快，这和其并行处理特征的特点相关。从回测结果来看，XGBoost策略不及随机森林，收益率比随机森林低10%，且最大回撤稍稍高出随机森林2%。当然，经过进一步调参，相信XGBoost的效果会有比较大的提升。