机器学习选股实战

决策树像一串有条件的判断：先看 PE 是否小于 15，再看 MACD 是否大于 0，另一条路径可能改看 RSI。它能表达“只有在这种条件下才成立”的组合关系。这里的阈值只是结构示意，不是已经验证的交易规则。

树的分叉不是抛硬币，而是算法根据损失和数据寻找划分。XGBoost、LightGBM 是梯度提升树框架，会组合多棵树做分类或回归。它们能学习多因子关系，但仍会过拟合，也不会自动理解新事件。

更新频率、训练样本、模型版本和上线后的监控，都要提前写进流程。

把损失想成山地高度。梯度给出局部最陡的上升方向，优化通常沿负梯度移动；学习率决定每一步走多远。步子太大可能不稳定，太小则训练很慢。

提升树会让后面的树利用损失信息修正当前预测。不要把每个树节点都想成线性模型权重，也不要从比喻推断某个算法一定会自动调整步长。初学者先检查输入、损失、迭代次数和验证结果。

可以先定义：明日收盘价高于今日收盘价记为 1，否则记为 0。平盘归入 0 是这个任务的一部分；如果单独设平盘类别，就已经换了任务。

输入可以包含技术因子、基本面特征和申万二级行业。行业分类要固定版本：一级可能太粗，三级可能样本不足，不能混用。

一种时间一致的起点是：用过去 120 个交易日训练，预测下一日，并向前滚动；每 20 个交易日重训一次，其余日期沿用上次模型。重训时要保存训练窗口、模型版本和逐日预测。若标签是未来多日收益，窗口末端还要留出标签成熟时间。

股票涨跌可能不平衡，要打印类别数量并和简单基准比较。类别权重只是改变损失贡献，重采样才会改变抽样频率，二者不能混为一谈。

准确率是预测类别正确的比例，会受到分类阈值和类别比例影响。AUC 看模型把正样本排在负样本前面的能力，不依赖某一个阈值；随机排序的参考值是 0.5，但有限样本会波动。

比如某只股票的测试 AUC 约为 0.487，接近没有有效排序信息。这个结果可以如实保留，不能为了得到赚钱结论就删除失败样本。AUC 低于 0.5 也不能看完测试结果后直接反向交易并把它称为样本外策略。

训练损失很好、验证损失明显更差，提示过拟合或分布变化；两者都差，则要检查任务、数据和模型容量。还应在更晚的 OOT 区间检查稳定性。最终组合收益还受收益幅度、持有方式、费用和交易约束影响，不能由 AUC 单独推出。

比较两个模型时，固定相同特征、标签、时间区间和评估口径。不要把“更快”或“更省内存”的经验数字当成所有环境都成立的规格，应该在自己的数据和版本上测量。

特征重要性只能说明模型使用了哪些输入，不能证明因果。可以把单因子检验、模型重要性和去掉一组特征后的对照实验放在一起看。

LSTM 和 Transformer 也能研究序列与注意力，但不保证优于树模型。因子少仍可能过拟合，因子多也不等于更强。个人研究可以先用少量因子和简单模型，机构研究再按数据、算力和验证结果投入。

可以为迭代轮数、学习率和叶子数设定有限候选，例如 200/300 轮、0.05/0.02、31/21；也可以用 Optuna 做约 50 次搜索。数字是实验起点，不是固定答案。

正确流程是：先固定训练、验证和最终测试区间，再固定搜索空间和预算；训练后只用验证指标选配置，最后用事先保留的测试集做一次最终评估。时间序列交叉验证应按先后顺序，标签或窗口可能重叠时要留 gap。

搜索越多，越容易偶然迎合验证集。数据质量、标签和泄漏检查，通常比一开始大规模调参更重要。

可以预测未来 5 日或 20 日收益，也可以预测相对沪深 300、中证 500 等基准的超额收益。还可以按某个日期的未来收益排名，把前 30% 标为正类、后 30% 标为负类，中间 40% 暂不用于二分类。

“未来一个月是否曾达到当前价上方 10%”和“未来一个月期末收盘收益”不是同一个标签；触及过目标也不等于实际能成交。更长期限会减少样本，也可能遇到结构变化，不天然更可靠。

风险调整目标可以结合收益和波动；信息比率目标关注超额收益相对跟踪误差。熊市里跑赢基准仍可能绝对亏损，所以目标名称不能替代结果解释。

收益模型偏好上涨幅度，风险调整模型偏好更平稳的路径，信息比率模型关注相对基准表现。它们的原始单位不同，不能把百分比和比率直接平均。

一种做法是先把每个目标变成同一截面的排名分数，再按预设权重融合。假设三项排名分数是 0.6、0.9、0.85，等权均值为 (0.6 + 0.9 + 0.85) ÷ 3 ≈ 0.783。若按综合得分取前 10%，还要验证换手、集中度和成本。

多个模型可能使用同一批数据并犯相同的错，不会自动产生分散。要分别报告单模型、融合模型和简单基准。

上线后要监控输入分布、缺失比例、预测分布、类别校准，以及标签成熟后的准确率和 AUC。PSI、KS 都可以作为监控方向，但不能只看一个阈值就宣布模型安全。

出现退化时，先区分数据异常、行情变化和流程故障，再决定重训、降级或停用。新闻和政策事件可以作为因子，但必须记录时间戳、来源和处理延迟，不能让语言模型凭空生成价格因果。

树模型通常可以先在本机 CPU 上运行。是否使用云、GPU、CUDA 或低延迟 C++/FPGA 系统，应由实测耗时、内存和业务延迟决定，不要把个人配置当成当前报价或最低要求。