XGBoost

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

更新时间：2024-02-02 10:22

本文将带你遍历机器学习领域最受欢迎的算法。系统地了解这些算法有助于进一步掌握机器学习。当然，本文收录的算法并不完全，分类的方式也不唯一。不过，看完这篇文章后，下次再有算法提起，你想不起它长处和用处的可能性就很低了。本文还附有两张算法思维导图供学习使用。在本文中，我将提供两种分类机器学习算法的方法。一是根据学习方式分类，二是根据类似的形式或功能分类。这两种方法都很有用，不过，本文将侧重后者，也就是根据类似的形式

更新时间：2024-01-23 08:14

文章回测报错：华泰研报：在XGboost中实现关于有序回归作为损失函数和评价函数

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

更新时间：2023-12-08 08:18

DeepAlpha短周期因子系列研究之：XGBoost 在量化选股中的应用

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

更新时间：2023-12-07 06:50

XGBoost的价值选股策略

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

更新时间：2023-11-26 16:58

如何基于平台的xgboost，自定义目标函数呢？

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？

更新时间：2023-10-09 07:41

在aistudio种，改变平台提供的xgboost参数，回测结果一点都不变，为何？

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。

平台提供的xgboost算法参数设置{w:100}

![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

更新时间：2023-10-09 07:32

XGBoost分类模型如何评价

缺少pred_lable，怎么样能把这个加上？？

https://bigquant.com/experimentshare/33b77199cc314cdba3fde44c917e60b3

更新时间：2023-10-09 07:03

关于stockranker算法的模型方向的优化

https://bigquant.com/experimentshare/8139094d2dce46b5a449b795538f131a

这是一个示例stockranker策略，我了解到stockranker算法是GBDT和listwise算法的结合，如何将GBDT算法换成其他的集成学习算法例如XGBoost算法，形成一个以XGBoost为核心的类似stockranker的算法策略。

第二个问题是stockranker算法的基本原理到底是什么，

更新时间：2023-10-09 06:48

根据如何实现XGBOOST的pairwise目标函数及metricd策略原码报错如何解决

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

更新时间：2023-10-09 06:21

怎么获得评估结果

用LightGBM XGBoost训练预测后怎么获得可解释方差权重、ROC-AUC等评估结果，知识库可复制的策略在评估前一步链接了自定义模块，看不懂这个自定义模块什么意思，怎样才能成功得到评估结果

更新时间：2023-10-09 06:19

《Introduction to Boosted Trees》

写在前面：

chentq关于XGBoost的slides，图文并茂，浅显易懂。

一句话简述：

先从有监督学习，回归树等基本概念讲解，然后引入Gradient Boosting的具体内容。

Review of key concepts of supervised learning

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

更新时间：2023-06-14 03:02

中高频交易策略再出发：机器学习T0-安信证券-20191230

摘要

中高频机器学习再出发

区别于传统的主观规则交易，机器学习模型可以挖掘出更多的非线性模式。我们设计的集合分类回归策略采用XGBoost机器学习模型，并使用集合学习对机器学习模型进行融合来预测日内涨幅。

日内涨幅影响因子

我们共挖掘出15个因子：隔夜涨幅，集合竞价阶段第一阶段涨幅，集合竞价阶段成交金额占比，第一阶段委比变化，第二阶段委比变化，第二阶段涨停和第二阶段持续上行与日内涨幅有正向影响；集合竞价阶段第二阶段涨幅，集合竞价阶段成交金额占当天总成交金额的比例，第一阶段涨停，第二阶段的委买一价，委卖一价均值的平均值，第二阶段的委买一价，委卖一价均值的最大值，第二

更新时间：2023-06-01 14:28

xgboost策略，内核一直莫名的自动重启

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

更新时间：2023-06-01 02:13

xgboost的模型如何保存和读取？

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

更新时间：2023-06-01 02:13

XGBOOST策略，买入股票问题

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？

更新时间：2023-06-01 02:13

分页第1页第2页