在上一篇报告“CTA拥抱机器学习-预测式信号初探”中，我们梳理了预测式信号开发的三个流程如下图所示：

“三个臭皮匠，顶个诸葛亮”，XGBoost本质是将多个弱学习器通过串行的方式组合起来，成为一个强学习器。XGBoost重要的几个内容如下：

1、基本组成元素是：决策树；我们将这些决策树成为”弱学习器“，这些”弱学习器“共同组成了XGboost；

2、组成的决策树之间是有先后顺序的；后一棵决策树的生成会考虑前一棵决策树的预测结果，即将前一棵决策树的偏差考虑在内（在目标函数中有体现）；

3、生成每棵决策树使用的数据集，是整个数据集。所以可以将每棵决策树的生成都看作是一个完整的决策树生成过程。

一个由2个决策树组成的XGBoost模型预测过程如下如所示：

XGBoost模型的训练生成过程包括训练决策树（弱学习器），训练每个弱学习器的权重，整个训练工程由严谨的数据推导方法，在此我们不再赘述。

测试标的：

[ 'RB', 'HC', 'I', 'J', 'JM', 'FG', 'SA', 'SF', 'SM' 'A', 'M', 'RM', 'OI', 'P', 'Y', 'C', 'CS', 'CF', 'SR', 'JD', 'UR', 'AP', 'LH', 'PK','CJ', 'AL', 'NI', 'ZN', 'SN', 'PB', 'CU', 'SS', 'BU', 'FU', 'EB', 'EG', 'V', 'L', 'SP', 'RU', 'TA', 'MA', 'PP', 'LU', 'PF', 'PG', 'SC', 'AG', 'AU', ]

测试时段：2019-01-01至2024-04-30

训练生成信号方式如下图：

3.2 测试结果

测试结果表明，相比于之前单个决策树模型的情况，整体绩效是有了显著提升。

本文尝试了Boosting集成学习中的XGBoost模型应用的表现，从测试结果上看，整体策略绩效有了显著的提升。后续在拟合工程商我们将尝试比较更多的模型方法。在其他环节，我们也将进行更多的尝试，比如在数据预处理研究中，计划尝试对砖图生成方式进行优化，对于跨日跳空的情况，修改砖图生成方式，尝试其他的标签方式，比如标注连续上涨或连续下跌为阳性标签，在特征工程中，挖掘更多的有效特征是核心的工作，另外如何评估特征与标签之间存在的非线性关系也是后续研究的一方面等。

免责声明

向上滑动阅览