决策树算法

GBDT+LR策略理论和思路介绍

GBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple Additive Regression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力（generalization)较强的算法，它每棵树进行训练的对象都是上一颗树的残差。GBDT模型是非线性关系。 每一颗决策树都是由你输入一个样本开始，根据一定的准则（枝丫节点）将输入的样本给出最后的预测结果，而GBDT由多棵树组成，你输入一个样本，就会产生多组预测结果，

决策树算法是一种流行的机器学习算法，用于分类和回归任务。它的核心思想是基于特征对数据集进行递归分割，从而构建出一个树形结构。每个内部节点代表一个特征的测试，每个分支代表测试的一个结果，每个叶节点代表一个类别（在分类树中）或一个具体数值（在回归树中）。

发展史

1. CLS（Concept Learning System）堪称决策树算法的鼻祖。
2. ID3算法，作为主流决策树算法的重要代表，凭借信息增益策略来精准选择特征并引导树的生长。
3. C4.5算法在ID3的基础上更进一步，它运用信息增益率作为选择最优属性的准则，提升了决策树的性能。
4. CART（分类与回归树）

问题

决策树用什么预测

没找到对应的预测模块。。。

解答

这个模块是训练加预测一起的，注意一下模块上面第四个输入，那里是输入预测数据，下面输出的第二个接口是对应的输出预测结果

论文

来源：The Journal of Portfolio Management December 8,2021

标题：Trending Fast and Slow

作者：Eddie Cheng, Nazar Kostyuchyk, Wai Lee, Pai Liu, Chenfei Ma

前言

时序动量策略的基础是假设过去的收益对未来的收益有一定程度的预测能力。通常，一个策略是通过在上涨阶段建立多头头寸，在下跌阶段建立空头头寸来实现的。学术文献文献表明，最近过去的资产收益与未来收益正相关。时序动量策略的有效性在多个时期、许多市场和许多资产中得到了证明。