lightGBM版本的StockRanker

昨天咱们把StockRanker的主体架子搭起来了，数据预处理，模型训练都做好了。

bigquant内置的机器模型，就一个StockRanker。

其余都是社区成员自发开发的。

而Qlib入门级的demo，就是gbdt，就是使用lightGBM。

区别在于，lightGBM有三种模式，或者说多数的机器学习模型，都是三种有监督的学习模式： 分类（离散的标签），回归（连续的标签）和排序（推荐算法用得多，也是离散的label）。

qlib的示例都是连续的标签，比如”预测“未来第2天的收益率。

而bigquant是离散的标签，在收益率的基础上，对它进行了划分，比如20等级。

客观讲，个人认为后者更加科学。

精确预测股份运动，本身太难，甚至在某种意义上讲不可能。

但相对A比B好，这一点就容易一些。

动量轮动也是这个逻辑，我并没有说它会涨多少，而是说，按趋势惯性而言，A相对B，惯性更强一些。

排序相比分类，又更进一步。分类仍然是预测，而且相互也可以比较，比如预测收益在第5档，肯定比在第4档要好。

但这里有一个问题，都是第3档，就区分不出来。

而排序就很好的解决了这个问题。

这一点的处理上，bigquant是具备借鉴和实战意义的。qlib更偏学术。

之前咱们写过一些分析文章：

从特征重要性的筛选看，随机森林和lightGBM二者类似，都是那几个因子。就是说因子重要性。因子是具备稳定性的。

后面的问题，一是调参，二是如何解决过拟合。

再探lightGBM Ranker行业轮动模型

沪深300”高低价通道“策略（附代码），梯度提升排序算法之dataset准备与模型实现