策略分享-基于XGBoost模型和滚动训练的预测策略
由bq0m8rec创建，最终由bq0m8rec 被浏览 33 用户
0. 策略名词解释
（1）XGBoost模型
XGBoost 是一种基于梯度提升树（Gradient Boosted Trees）的高效机器学习算法，常用于排序、分类、回归等任务，在bigquant平台上只用于排序任务，主要有三种：排序学习（NDCG）; 排序学习（Ranknet） ; 排序学习（ MAP ）。 本策略中，我们使用的是排序学习（NDCG)。
说明：之前已经在”基于LightGBM模型和超参优化的收益率预测策略“以及”基于StockRanker模型和排序学习的选股策略“中详细介绍了 bigquant平台支持的可视化模块手动设置参数的部分，XGBoost里面是类似的，我们这里不再讲 但是这个部分 在实际操作时是最重要的， 因为最后使用时，只需要调试这个部分，XGBoost模型是我们已经封装好训练的部分（1.2-1.7）；但是如果你想读取每个部分的具体内容是完全可以的， 但是需要你自己手写代码， 在你回测完成后运行就可以出现模型实现的 每个部分 你想要读取的信息。这下面的每张图都是通过这种方法来读取的。
（2）滚动训练
滚动训练（Rolling Training） 是一种机器学习训练策略，指的是随着时间的推移，不断更新训练数据集（通常是时间序列数据），使用最近一段时间的数据来重新训练模型，并逐步前移训练窗口，以适应最新的数据分布，例如滑动窗口法（sliding window）或扩展窗口法（expanding window），本策略中使用的是滑动窗口法。
\
1. XGBoost模型实现
1.1 数据准备（Data Preparation）
先看上面两张图：训练集时间范围小，是“特征计算历史窗口 + 缺失值剔除 + 滚动训练窗口切分 + 数据过滤”综合作用的结果。这种设计是为了保证训练数据的质量和稳定性，而不是简单用全时间段原始数据。
再看左下角的图：判断训练集和测试集的标签分布是否一致，主要看的是标签的分布情况，而不是特征的比值。
再看右下角的图：展示了训练集与测试集在时间上的划分比例，训练数据占大约75%至80%，测试数据占约20%至25%。这一比例并非偶然，而是根据我们项目中滚动训练模块的参数手动设置的。
具体来说，我们在滚动训练代码中设定了：
- 最小训练数据天数（train_data_min_days）为750天，确保每次训练至少包含这段时间的数据；
- 训练数据最大天数（train_data_max_days）为1000天，避免训练数据范围无限扩大；
- 训练更新周期（train_update_days）为250天，也即每次滚动时，训练集后面紧跟着约250天作为测试集
--比例大约为 75% : 25% 或 80% : 20%之间--
\
1.2 预测函数（Prediction Function）
XGBoost 使用加法模型，每次迭代新增一棵树来不断修正预测。
在排序任务中，我们不关心预测值的绝对大小，而是样本之间得分的相对顺序。
下面就是yi预测值的分布，这说明模型预测分数整体分布较为平滑且集中，表明模型没有极端偏向某一类。
\
1.3 损失函数（Loss function）
surrogate 损失函数：
注意：虽然我们优化的是 NDCG，但该函数只是其一个可微近似，XGBoost 并未显式乘以 ΔNDCG 权重（不像 LightGBM Ranker）
\
1.4 正则化 （Regularization）
XGBoost引入了结构正则项来控制模型复杂度，防止过拟合：
\
1.5 目标函数（Objective function）
目标函数（Obj function） = 损失函数（Loss function ）+ 正则化 （Regularization）
目标函数式为了优化过程准备的--
\
1.6 优化过程（Boosting Optimization）
优化过程优化目标函数--
采用 前向分步优化（Greedy Additive Training） 的 Boosting 策略：
-
初始模型预测为常数或全零
-
每轮迭代构建一棵新树 ft，拟合当前预测误差
-
利用当前损失对所有样本计算一阶导 gi 和二阶导 hi
-
对目标函数进行泰勒展开：
-
构造新树 ft，将其加入已有模型中
-
迭代执行，逐步提升排序性能
\
1.7 训练过程（Training Process）
训练步骤如下：
-
初始化预测值（如常数值）
-
迭代以下步骤直到达到指定树数或提前停止：
计算梯度 gi 和 Hessian hi； 构建一棵新树，拟合 gi 和 hi； 通过贪心法选择最优分裂点（基于信息增益）；加入模型，更新预测值
最终模型是所有树的加和
\
1.8 模型检验（Model Evaluation）
信息系数（IC）衡量模型预测分数与实际收益的相关性，是排序模型常用的评估指标。IC值范围为[-1,1]，值越大表示预测效果越好。图中展示了模型在多个交易日的IC变化及其平均值，反映模型预测的稳定性和有效性。较高且稳定的IC说明模型具备较强的排序能力，适合用于量化选股策略。
- 正值 表示预测分数和实际收益是正相关，模型预测方向正确。
- 负值 表示预测分数和实际收益是负相关，模型预测方向相反，说明模型效果不好。
红线是 平均IC； 注意看IC为 0的下方负值部分明显没有正值部分多，所以我们还是基本认可此次这个策略中 XGBoost模型的预测能力的
\
2 滚动训练
2.1 本次策略中主要调试的参数
-
train_data_min_days: 第一个训练窗口的最小长度（如750天）。
-
train_data_max_days: 最大训练长度（如1000天），限制窗口不能太长。
-
train_update_days: 每滚动一次向前推进多少天（如250天）。
-
rolling_count_for_live: 在模拟实盘中最多保留多少次滚动（一般取最后N次）。
\
这个是一个滑动窗口法：每次窗口前移250天，窗口长度最多1000天，最少750天。
\
2.2 说明
特别要说明的是，根据滚动训练模板，我们还增加了 m11 ; m19模块
添加m19模块是为了方便 predict_mid只保留所需列
# 只保留所需列
output_df = df[['date', 'instrument', 'score', 'position']]
\
3 历史数据回测
4 交易成本和滑点
\
5 总结
5.1 策略优势
XGBoost+滚动训练
5.2 可优化方向
- 引入超参数优化模块（HPO）
- 模型集成或对比模型
- 标签质量优化
\