四金_作业

总结

因子更重要还是模型更重要？

因子和模型同样重要，模型相同的情况，不同因子在回测中，差异巨大。相同因子在不同的模型下进行回测，表现也各不相同。

一个好的策略，是因子和模型共同组合得到的。

本次作业的三个模型对比：

• Random Forest：鲁棒、易调、抗过拟合，但“水平”有限，对时间序列动态特征捕捉不足。

• Sklearn 原生 GBDT/RandomForest：接口统一、工程简单，但训练慢、难并行、不支持缺失值自动处理，对金融时序非平稳性表现一般。

• XGBoost：精度高、能学到复杂非线性、支持缺失值与自定义损失，但对超参敏感、训练/调参成本高，且同样容易过拟合于未来不可重现的噪声。

KIMI总结：做股价回归，RandomForest 是“稳健但笨重的大锤”，Sklearn-GBDT/RF 是“顺手但不快的螺丝刀”，XGBoost 则是“锋利却容易割手的手术刀”。先用大锤砸出方向，再拿手术刀精雕细琢，同时永远记得——金融数据里的信号稀少且转瞬即逝，再锋利的刀也敌不过市场的 regime shift。

相同因子下不同模型的区别？

因子可以决定回一个量化交易的潜在收益空间，好的模型可以在回测和实盘中，不断提升这个收益的空间。

模型和因子的相对重要性会随环境变化。相同回测时间不同因子+不同的模型，回测结果不同。

但在当前作业中sklearn的大部分年化收益都优于xgboost，这是因为小样本、低噪声、特征维度有限的环境里，sklearn 的线性/树模型往往更快、更稳，而 XGBoost 因为 过拟合风险 + 参数空间大 + 对样本量敏感，反而容易把噪声当信号，于是出现 sklearn > XGBoost 的年化收益。 但这并不代表“XGBoost 不如 sklearn”，而是 “当前数据/参数/约束” 让 XGBoost 的优势没发挥出来。

部分时间段，xgboost可能优于sklearn

作业

随机种子 → 以下内容由模型生成

sklearn 里，同一数据集 + 相同代码，多次训练却得到 不同预测结果，造成这种问题的原因可能为1、模型本身带随机性，2、没有给随机数生成器设置np.random.seed(42)设置随机种子，导致多次回测中，结果不一致。

是否需要设置随机种子：

把 5 个步骤拆成 “必须固定 / 建议固定 / 无需固定 / 必须不固定” 四类，直接给出可落地的清单。（默认使用 sklearn + XGBoost；如无特别说明，固定值统一用 random_state=42 或 seed=42）

1 数据抽取

• 纯 SQL / API 拉数 ➜ 无需固定

• 若抽样（如按月随机采样） ➜ 必须固定

  df.sample(frac=0.8, random_state=42)

2 特征提取

3 模型训练

4 模型评估

• 交叉验证 / 滚动窗口 ➜ 切分方式固定（TimeSeriesSplit 已天然固定顺序）

• 评估指标计算 ➜ 无需固定

• 蒙特卡洛稳健性检验 ➜ 故意不固定（多次随机种子跑分布）

5 模型推理（线上）

• 纯预测 ➜ 无需固定（模型已训练好，权重确定）

• 集成 Bagging 推理 ➜ 每棵树内部已训练好，无需再设

一键记忆表