StockRanker算法的核心是排序学习和梯度提升树，本文以0.1和0.2作为“学习率”参数的输入值进行测试。
首先，我们以StockRanker的默认参数0.1作为“学习率”的输入值进行模型训练，得到以下的训练结果：
1.特征重要性：又称为特征权重，是StockRanker模型基于各个特征对模型贡献度的一个数量型评估指标，值越大表示越重要。从下图可以看出，在“学习率=0.1”的情况下，rank_return_0最为重要，其值为133.266；其次为rank_return_5（110.354）；最差的为avg_amount_0/avg_amount_5，其值为1.608。
![{w
更新时间：2022-03-23 11:29
作为平台的铁杆用户，本文主要分享下使用StockRanker模型来实盘交易的一些经验。
在机器学习领域，预测的结果依赖于：数据、算法和特征，因此真正好的策略一定是特征选择和特征构建非常好。
平台的StockRanker模型策略生成器只是搭建了一个策略框架，输入不同的特征就可以看到不同的策略效果。去年的时候，我构造出了大约10个特征进行回测，从12年到16年底，平均年化收益达到了76%，因此就打算先用一部分小资金实盘，进一步验证特征的有效性。
因为政策原因，目前国内股票实盘交易接口并没有开放，因此量化平台都不会说自己平台上可以实盘交易，免得监管部门叫去喝茶。于是只有手动下单，好在股票持仓时
更新时间：2021-08-24 05:46
更新时间：2021-07-30 07:26