XGBoost

XGBoost,全称Extreme Gradient Boosting,是一种高效的梯度提升决策树算法,被广泛应用于金融领域的数据分析和模型构建。它通过组合多个弱学习器来形成一个强学习器,有效地提高了预测精度和稳定性。在金融风控、信用评分、投资策略和市场预测等方面,XGBoost凭借出色的处理高维数据、处理非线性关系和防止过拟合的能力,已成为金融分析师和数据科学家的重要工具之一。它的灵活性和高效性使得金融机构能够更准确地评估风险、制定决策并优化资源配置。

如何实现XGBOOST的pairwise目标函数及metric

问题

如何实现XGBOOST的pairwise目标函数及metric

视频演示

https://www.bilibili.com/video/BV1TY4y1q7C8/

策略源码

S:xgboost自定义目标和评估函数

[https://bigquant.com/experimentshare/85eb463354e54a9695eddc0c570040e6](https://bi

更新时间:2024-06-07 10:55

xgboost的超参搜索如何设置

问题

请问使用xgboost时,需要对哪些参数进行超参搜索?参数取值范围如何设置?

视频

https://www.bilibili.com/video/BV1134y187gP/

策略相关

超参搜索参数设置

\

更新时间:2024-06-07 10:55

xgboost自定义目标和评估函数

https://bigquant.com/experimentshare/85eb463354e54a9695eddc0c570040e6

\

更新时间:2024-06-07 10:55

XGboost回归模型核心原理介绍

XGBoost(eXtreme Gradient Boosting)是一个高效的机器学习库,也是一种基于梯度提升决策树(Gradient Boosting Decision Tree)的集成学习算法,专为提升树算法的性能和速度而设计。它实现了梯度提升框架,并支持回归、分类及排序的问题。XGBoost通过优化计算资源使用和提供高度可配置的参数,成为数据科学竞赛和实际应用中的热门选择。

核心概念

XG

更新时间:2024-05-20 03:07

机器学习常用35大算法盘点

本文将带你遍历机器学习领域最受欢迎的算法。系统地了解这些算法有助于进一步掌握机器学习。当然,本文收录的算法并不完全,分类的方式也不唯一。不过,看完这篇文章后,下次再有算法提起,你想不起它长处和用处的可能性就很低了。本文还附有两张算法思维导图供学习使用。 在本文中,我将提供两种分类机器学习算法的方法。一是根据学习方式分类,二是根据类似的形式或功能分类。这两种方法都很有用,不过,本文将侧重后者,也就是根据类似的形式

更新时间:2024-05-20 02:09

基于XGBoost模型的智能选股策略

旧版声明

本文为旧版实现,供学习参考。

模版策略

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

更新时间:2024-05-20 02:09

XGBoost的价值选股策略

文献回顾

回顾价值策略

价值策略通俗地讲就是买入便宜股票,卖出昂贵股票,思想非常简单和直观。但是实际操作上这非常困难,因为我们没办法直接观察股票的真实价值。投资者可以从不同的视角采用不同的指标来估计股票内在价值。在股票市场中,最传统的方法就是通过会计报表的各个条目得到企业估值,我们可以从资产负债表得到市净率,从利润表得到资产收益率,从现金流量表得到现金流比率。Ma和Smith(2014)在《Sorting through the trash》中提到通过市净率、预测下期资产收益率和股价/现金流这三个指标合成一个综合的“价值”因子,可以显著提升策略表现(MA采取了三个因子Z得

更新时间:2024-05-20 02:09

华泰研报:XGboost实现有序回归

策略源码:

{{membership}}

已经更新到了AIStudio3.0.0版本, 请转移至

https://bigquant.com/wiki/doc/xgboost-I1ZKSVykGR

https://bigquant.com/codeshare/a290e569-7680-45d7-86be-f6c81c18a1e6

\

更新时间:2024-05-16 09:16

【历史文档】高阶技巧-XGBoost模型增量训练

更新

本文内容对应旧版平台与旧版资源,其内容不再适合最新版平台,请查看新版平台的使用说明

新版量化开发IDE(AIStudio):

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略:

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平台

更新时间:2024-05-16 05:58

【历史文档】高阶技巧-如何固化xgboost模型并调用|模型固化

更新

本文内容对应旧版平台与旧版资源,其内容不再适合最新版平台,请查看新版平台的使用说明

新版量化开发IDE(AIStudio):

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略:

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平

更新时间:2024-05-16 03:31

【历史文档】策略示例-使用BigQuant平台复现XGBoost算法

更新

本文内容对应旧版平台与旧版资源,其内容不再适合最新版平台,请查看新版平台的使用说明

新版量化开发IDE(AIStudio):

https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW

新版模版策略:

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

新版数据平

更新时间:2024-05-16 01:59

XGBoost增量更新

什么是增量训练

增量更新的应用场景

\

更新时间:2024-05-15 02:10

XGBoost增量更新

更新时间:2024-05-15 02:10

机器学习:19-滚动训练-XGBoost

  • 运行环境:AIStudio 3.0

  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:


\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/358882de-f418-4ebe-b3c4-effc16ea1c9d](https://bigquant.com/codeshare/358882de-f418-4ebe-b3c4-

更新时间:2024-04-25 07:41

机器学习:14-XGBoost

  • 运行环境:AIStudio 3.0

  • 策略说明:==本代码以教学目的为主,请自行调参==


回测图:



\

策略源码:

{{membership}}

[https://bigquant.com/codeshare/f753d0b8-a3b2-4781-a1a9-dbf6ffe3fe38](https://bigquant.com/codeshare/f753d0b8-a3b2-4781-a1a

更新时间:2024-04-25 07:40

文章回测报错:华泰研报:在XGboost中实现关于有序回归作为损失函数和评价函数

https://bigquant.com/college/courses/course-v1:public+2023110601+110601/courseware/7708009442174480802b3dd339f4ede0/45dafc16ea744216af376a7dc2961fa5/

老师您好,

我学习上面的视频文章,想试运行代码,但运行不下去,没办法回测,是我哪里没有配置对吗?谢谢老师!

  • \

    
    
    # 我们取前0.6的数据量作为训练集
    date = data['date'].unique

更新时间:2023-12-08 08:18

DeepAlpha短周期因子系列研究之:XGBoost 在量化选股中的应用

一、引言

DeepAlpha系列报告旨在从基础量价数据中,借鉴深度学习模型,应用于量化投资领域。学习模型包括:全连接深度网络(DNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、对抗生成网络(GAN)、ResNet、TabNet,同时报告将引入自然语义识别NLP领域近年热门算法如BERT、Transformer、GPT、XLNet等,尝试构建各类DeepAlpha模型。

本篇文章通过借鉴传统机器学习算法——XGBoost——对相同的量价因子进行实验,方便与深度学习模型进行对比实践。

二、算法介绍

XGBoost 是在 Gradient Boosting(梯度提升)框架

更新时间:2023-12-07 06:50

如何基于平台的xgboost,自定义目标函数呢?

自己通过import xgboost可以实现自定义目标函数,但是和平台的xgboost模块相比,自己的import xgboost比平台的xgboost模块慢了很多,时间花费几乎是30倍差距。

那么,如何基于平台的xgboost,实现自定义目标函数的定义呢?


\

更新时间:2023-10-09 07:41

在aistudio种,改变平台提供的xgboost参数,回测结果一点都不变,为何?


在aistudio种,用平台的提供xgboost方法回测,参数改了无数次,回测结果的走势图一模一样,没有变化,xgboost的缓存参数也是关闭的,m_cached=False。


平台提供的xgboost算法参数设置{w:100}


![虽然改变了不同的xgboost参数,但是回测结果一直是如图所示,一个小数点都不变{w:100}](/wiki/api/attachments.redirect?id=1295616f-94b0-4

更新时间:2023-10-09 07:32

XGBoost分类模型如何评价

缺少pred_lable,怎么样能把这个加上??

https://bigquant.com/experimentshare/33b77199cc314cdba3fde44c917e60b3

\

更新时间:2023-10-09 07:03

关于stockranker算法的模型方向的优化

https://bigquant.com/experimentshare/8139094d2dce46b5a449b795538f131a

这是一个示例stockranker策略,我了解到stockranker算法是GBDT和listwise算法的结合,如何将GBDT算法换成其他的集成学习算法例如XGBoost算法,形成一个以XGBoost为核心的类似stockranker的算法策略。

第二个问题是stockranker算法的基本原理到底是什么,

更新时间:2023-10-09 06:48

根据如何实现XGBOOST的pairwise目标函数及metricd策略原码报错如何解决

根据如何实现XGBOOST的pairwise目标函数及metricd策略原码,https://bigquant.com/wiki/doc/mubiao-hanshu-metric-ANiNxUfmFa

,报错如何解决:


BQInputRejected Traceback (most recent call last) BQInputRejected: 编译错误,34: 抱歉,平台暂时不支持此模块:typing.Tuple

[https://bigquant.com/experimentshare/04cf24c01e17

更新时间:2023-10-09 06:21

怎么获得评估结果

用LightGBM XGBoost训练预测后怎么获得可解释方差权重、ROC-AUC等评估结果,知识库可复制的策略在评估前一步链接了自定义模块,看不懂这个自定义模块什么意思,怎样才能成功得到评估结果

更新时间:2023-10-09 06:19

《Introduction to Boosted Trees》

写在前面:

chentq关于XGBoost的slides,图文并茂,浅显易懂。

一句话简述:

先从有监督学习,回归树等基本概念讲解,然后引入Gradient Boosting的具体内容。

Review of key concepts of supervised learning

![](data:image/svg+xml;utf8,<svg%20xm

更新时间:2023-06-14 03:02

中高频交易策略再出发:机器学习T0-安信证券-20191230

摘要

中高频机器学习再出发

区别于传统的主观规则交易,机器学习模型可以挖掘出更多的非线性模式。我们设计的集合分类回归策略采用XGBoost机器学习模型,并使用集合学习对机器学习模型进行融合来预测日内涨幅。

日内涨幅影响因子

我们共挖掘出15个因子:隔夜涨幅,集合竞价阶段第一阶段涨幅,集合竞价阶段成交金额占比,第一阶段委比变化,第二阶段委比变化,第二阶段涨停和第二阶段持续上行与日内涨幅有正向影响;集合竞价阶段第二阶段涨幅,集合竞价阶段成交金额占当天总成交金额的比例,第一阶段涨停,第二阶段的委买一价,委卖一价均值的平均值,第二阶段的委买一价,委卖一价均值的最大值,第二

更新时间:2023-06-01 14:28

分页第1页第2页
{link}