截面收益预测案例

可以把案例拆成三组不同问题：

• 用 10 只股票和 52 个因子检查数据分布、缺失与预处理；
• 用公开数据流程计算每天的截面预测指标；
• 用自选 50 只股票和 52 个因子训练简化的 XGBoost，预测未来 5 日相对收益。

三组实验的股票池、日期、特征和模型不同，所以它们是方法练习，不是同一场比赛。数据集是输入材料，模型参数是训练后的结果，预测结果是模型对指定样本的输出，三者不能混成一个文件或一个结论。

标准顺序是：先确定输入特征 X 和未来标签 Y；再用训练集拟合处理器和模型；参数固定后预测未见数据；最后将预测和已经实现的标签比较。训练结束前不能偷看测试期标签。

普通 Z-score 以均值为中心、标准差为尺度。遇到极端值时，均值和标准差可能被拉动。稳健 Z-score 改用中位数和 MAD（中位数绝对偏差，表示数据离中位数有多远）来降低极端值的影响。

MAD = median(|xᵢ − m|)

其中 m 是中位数。稳健尺度常写为：

s = 1.4826 × MAD

稳健分数是：

zᵢ = (xᵢ − m) ÷ s

假设某个值减中位数后为 30，MAD=15，则稳健尺度为 1.4826×15=22.239，稳健分数约为 30÷22.239≈1.35。实际例子若缺少完整数组，不能只凭一个数字复算全部过程。

如果按规则把分数截到 [-3,3]，某点原分数为 6.63，处理后就是 3。截断会把更大的极端值合并，可能改变树模型的切分，所以也要记录截断数量。MAD 或标准差为 0 时，要提前定义回退策略。

打开数据后，先打印日期范围、股票代码、重复行、每只股票的记录数、因子列数和缺失比例。再看处理前后的分位数、最小值、最大值、中位数、均值、标准差和截断数量。

52 个指标可能包含较长预热窗口。例如 60 日指标在样本开始阶段没有足够历史，不能强行填成有效值。随机抽几个日期手算动量或布林带位置，用来检查程序是不是读错列或错位。

如果模型报“数据不连续”，先定位具体股票和日期，再区分正常休市、停牌、采集遗漏与索引错误。不要把所有日期强行补齐；补值规则本身也会影响模型。

一组目录里可能有 CSI300 和 CSI800 的训练、验证、测试文件，合计约 2GB。文件名或说明如果把它们称作“权重”，也不能直接相信。

加载前要检查每个文件的对象类型和内容：它可能是数据集、处理器统计量，或真正的模型检查点。六个数据分割文件不自动等于已经训练好的模型。如果确实有权重，还要核对网络结构、特征顺序、训练区间和所需预处理。

路径要遵守项目配置，不要把文件随意放在根目录后假设程序能找到。序列化文件来源和完整性必须记录；不要从不可信来源直接反序列化 PKL。

对交易日 t 的每只可评估股票生成预测，再取得对应的未来 5 日标签，才能计算当天的截面相关。

Pearson IC 衡量预测数值和真实收益的线性相关；Spearman Rank IC 衡量预测排序和真实排序的相关。两者回答不同问题，程序变量名也要分开。

不能把所有日期和所有股票混在一起算一个相关，就称它为截面指标。应按交易日分别聚合，再报告 IC 均值、标准差、ICIR、有效股票数和缺失日期。某次运行得到约 0.06、经验观察线约 0.05，只能作为该次配置下的结果；没有随机种子、原表和多次运行，就不能宣称稳定复现。

简化实验可以用 2023—2025 年、50 只跨行业股票、52 个因子和 120 个交易日滚动训练窗口，预测随后 5 日的收益或截面标准化标签。目标究竟用 Z-score 还是百分位，必须先固定，不能一会儿换一种。

如果每只股票约有 722 根日 K，未扣预热和缺失时，股票—日期行数约为：

样本行数 = 股票数 × 日期数 = 50 × 722 = 36,100 行

这表示约 36,100 个股票—日期样本，不是只有 50 个训练样本。实际有效行数要在过滤后打印。

滚动训练时，训练窗口末尾必须排除尚未成熟的未来 5 日标签。每次保存训练起止、有效股票池、处理器、模型、预测日期和测试标签。股票池如果用今天的代表公司倒推三年前，还会有幸存者偏差或选择偏差。

20 日动量、布林带位置、RSI 与布林带交互、RSI14、多头排列和 MACD 差值等可以作为观察对象，但它们在一个样本里重要，不等于在所有市场都是最佳因子。单因子 IC 和模型重要性也要分开报告。

公平比较至少要统一：股票池、日期范围、预测标签、数据处理信息范围、样本外划分、评估指标和缺失处理。还要记录计算成本、训练时间、内存、换手和交易成本。

50 只股票的 XGBoost 和 300 只股票的复杂模型，如果股票池、时间、标签或预处理不同，就不能直接排成能力排行榜。较高 IC 可能来自更集中的股票池、不同的数据质量、标签定义或偶然性。小股票池不一定更容易预测，只是条件变了。

树模型能自动学习一部分条件交互，但人工特征工程仍可能把有用结构明确表达出来；神经网络端到端学习，也不代表数据设计可以省略。复杂模型如果没有可重复增量，保留简单方案很合理；有增量也要确认它覆盖工程和交易成本。

预测 IC 高不等于账户净收益高。还要考虑真实最小价位单位、滑点敏感性、成交量、参与率、拆单、T+1、涨跌停、停牌和未成交。先把一个可复查的工具跑稳，再增加模型复杂度。