https://bigquant.com/codeshare/f753d0b8-a3b2-4781-a1a9-dbf6ffe3fe38

\

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

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

\

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

\

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

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

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

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

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

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

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

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

什么是增量训练

增量更新的应用场景

\

• 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-

• 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

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

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

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？

\

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。

![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

缺少pred_lable，怎么样能把这个加上？？

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

\

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，

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

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

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