【平台使用】请问stockranker相比于普通的gbdt框架回归优势在哪里

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}

{w:100}


{w:100}

{w:100}

三个框架参数保持一致：

{w:100}

{w:100}

{w:100}

{w:100}

{w:100}

{w:100}

下面分别是三个框架做简单回归取靠前4个票的收益情况：

xgboost

{w:100}

{w:100}

catboost

{w:100}

{w:100}

lightgbm

{w:100}

{w:100}

然后我使用了平台的stockranker框架

{w:100}

{w:100}

参数使用的是模版默认参数，之前的视频有说这个参数在各种测试下表现都还行，所以我没做改动。

但是最后的收益结果不是很理想：

{w:100}

{w:100}

可以看到stockraner的滚动回测结果均比不上三个gbdt框架的普通回归取TOP的结果，那么stockranker模型的优势在哪里呢？我知道他是采用了排序学习中的listwise方法，三个框架回归取靠前的票相当于pointwise，为什么结果反而不如这三个框架呢？