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

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

\

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

\

本次我测试了三个gbdt开源框架xgboost, lightgbm, catboost 参数保持一致，分别用框架中的回归器对5日收益进行回归，对14-19年进行滚动训练，用两年的数据预测一年，回测的时候买预测值靠前的4个票持有5天，因子和其他参数都用AI可视化默认模版，去除ST股票。

![{w:100}](/wiki/api/attachments.redirect?id=1c39b870-470a-4001-90b7-

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

stock_ranker 模型会报错， xgboost不会

这几天重新梳理了一边GBM，看了很多篇经典论文，又看了xgboost相关的东西，总结分享一下，更好的观看体验点击这里。

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

问题

运行资源充足，但总是自动重启，100%复现

https://bigquant.com/experimentshare/721a8a757c1941e3b06b628c35279ce3

解答

可能是训练集数据存在异常值导致的，对数据进行预处理，可以参考以下策略

\

策略

[https://bigquant.com/experimentshare/596e737dfe9b423095685612871eed

问题

问题描述

xgboost的模型如何保存和读取？

问题代码

m5 = M.xgboost.v1(
training_ds=mSR3data,
features=mSR5.data,
predict_ds=mSR4data,
num_boost_round=NUMROUND,
objective='排序(pairwise)',#其他如map,ndcg
booster='gbtree',
max_depth=MAXDEPTH,
key_cols='date,instrument',
group_col='date',
other_train_paramet

所有条件不变的情况下，回测买入股票有问题，回测到1月20日，输出日志内1月21日买入的股票跟回测到21日，回测中实际买入的股票不符，什么原因？

问题

也没有模型训练过程，直接就1分钟不到就直接输出 预测结果了

\

解答

①数据量太少

②xgboost建议使用这个模块：

随机森林建议使用这个模块：

问题

麻烦大佬看看下面报错该如何解决：

解答

需要看一下传到m12的数据是怎样的才能判断具体的错误，方便的话把代码分享给小Q。

问题

请教catboost的详细使用方法，对于原先使用xgboost或者stockranker的策略，如何用catboost替换掉xgboost或者stockranker?

视频

https://www.bilibili.com/video/BV1US4y1n79r/?spm_id_from=333.999.0.0

策略源码

[https://bigquant.com/experimentshare/c2422c6678a8

问题

KeyError Traceback (most recent call last)
in
209 )
210
–> 211 m19 = M.trade.v4(
212 instruments=m9.data,
213 options_data=m21.predictions,
in m19_handle_data_bigquant_run(context, data)
25 context.ranker_prediction.date == data.current_dt.strftime(’%Y-%m-%d’)]
26 print (ranker_pre