XGBoost

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：2024-12-31 08:32

基于OpenFE的期货因子挖掘

引言

在量化交易与数据科学领域，特征工程是一个至关重要的步骤，直接影响到模型的预测能力与效果。OpenFE 是一个开源的特征工程框架，旨在帮助研究人员和工程师快速生成高质量的特征。然而，原始版本的 OpenFE 算子虽然功能强大，但在某些应用场景下仍存在一定的局限性。为了更好地满足我们在量化研究中的需求，我对 OpenFE 算子进行了重新构建，丰富衍生特征生成；并将其与 XGBoost 相结合，用于特征重要性评估，方便后续标的打分。

本文将详细介绍这一重构过程，并通过实际案例展示如何使用这一改进后的算子生成衍生特征，并使用 XGBoost 进行特征重要性评估，从而优化我们的量化模型。

更新时间：2024-12-24 06:43

XGBoost（Extreme Gradient Boosting）

https://bigquant.com/codeshare/f753d0b8-a3b2-4781-a1a9-dbf6ffe3fe38

更新时间：2024-06-28 08:25

xgboost自定义目标和评估函数

https://bigquant.com/experimentshare/85eb463354e54a9695eddc0c570040e6

更新时间：2024-06-07 10:55

xgboost的超参搜索如何设置

问题

请问使用xgboost时，需要对哪些参数进行超参搜索？参数取值范围如何设置？

视频

https://www.bilibili.com/video/BV1134y187gP/

策略相关

超参搜索参数设置

更新时间：2024-06-07 10:55

如何实现XGBOOST的pairwise目标函数及metric

问题

如何实现XGBOOST的pairwise目标函数及metric

视频演示

https://www.bilibili.com/video/BV1TY4y1q7C8/

策略源码

S:xgboost自定义目标和评估函数

[https://bigquant.com/experimentshare/85eb463354e54a9695eddc0c570040e6](https://bi

更新时间：2024-06-07 10:55

XGboost回归模型核心原理介绍

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：2024-05-20 03:07

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：2024-05-20 02:09

基于XGBoost模型的智能选股策略

旧版声明

本文为旧版实现，供学习参考。

模版策略

导语

上篇报告介绍了集成学习里Bagging方法的代表算法随机森林，本文将着眼于另一种集成学习方法：Boosting，并深入介绍Boosting里的“王牌” XGBoost 模型。最后，以一个实例介绍XGBoost模型在智能选股方面的应用。

Boosting V.S. Bagging

作为集成学习的两大分支，Boosting和Bagging都秉持着“三个臭皮匠顶个诸葛亮”的想法，致力于将

更新时间：2024-05-20 02:09

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

人工智能月报（2020年6月）：xgboost中证500指数增强模型月超额收益4.4%，今年累计超额收益14%-中信建投-20200707

xgboost模型模仿人类思考进行“补充式”学习模式

xgboost模型是一种强学习模型，其是由众多弱学习模型集成，其采用弱学习模型为CART，即分类与回归树。该模型重在拟合特征和标签间的非线性关系。组成该模型的众多弱学习器之间的关系是补充弥补的关系，弱学习器的训练有先后，每个新的弱学习器的学习目标都是之前已训练好的弱学习器的残差。人类从假设检验、错误中分析学习的过程与此模型反应总结的方式相似。

xgboost模型构建单因子能够提供增量非线性信息

单因子的构建方式如下：将截面股票按照下月收益率排序分为2类，用xgboost分类模型进行拟合，模型预测的类别及预测概率经过映射

更新时间：2022-09-21 07:50

Xgboost 打败深度学习？

引言

为什么基于树的机器学习方法，如 XGBoost 和随机森林在表格数据上优于深度学习？本文给出了这种现象背后的原因，他们选取了 45 个开放数据集，并定义了一个新基准，对基于树的模型和深度模型进行比较，总结出三点原因来解释这种现象。

引自：机器之心

正文

深度学习在图像、语言甚至音频等领域取得了巨大的进步。然而，在处理表格数据上，深度学习却表现一般。由于表格数据具有特征不均匀、样本量小、极值较大等特点，因此很难找到相应的不变量。

基于树的模型不可微，不能与深度学习模块联合训练，因此创建特定于表格的深度学习架构是一个非常活跃的研究领域。许多研究都声

更新时间：2022-08-02 03:24

人工智能选股周报：最近一个月XGBoost稳定战胜指数华泰证券_20180805_

摘要

本周全A选股（沪深300行业市值中性）朴素贝叶斯表现最好本周沪深300涨跌幅为-5.85%。本周3个模型跑赢基准，超额收益最高的模型是朴素贝叶斯，该模型本周获得绝对收益-5.40%，超额收益0.45%。最近一月超额收益最高的模型是随机森林，该模型最近一月获得绝对收益，超额收益1.13%。2018年以来超额收益最高的模型是随机森林，该模型2018年以来获得绝对收益-14.16%，超额收益4.73%。2018年以来RankIC均值最高的模型是Stacking，该模型RankIC均值为0.119。本周全A选股（中证500行业市值中性）XGBoost表现最好本周中证500涨跌幅为-6

更新时间：2022-07-29 07:12

人工智能选股周报：Stacking全A选股具有长期优势华泰证券_20180520_

摘要

本周全A选股（非行业中性）XGBoost表现最好本周中证500涨跌幅为0.06%。本周7个人工智能组合跑赢基准，超额收益最高的策略是XGBoost，该策略本周获得绝对收益1.40%，超额收益。最近三月超额收益最高的策略是SVM，该策略最近三月获得绝对收益12.15%，超额收益10.12%。最近一年超额收益最高的策略是随机森林，该策略最近一年获得绝对收益22.28%，超额收益21.97%。本周全A选股（沪深300行业中性）Stacking表现最好本周沪深300涨跌幅为0.78%。本周超额收益最高的策略是Stacking，该策略本周获得绝对收益0.71%，超额收益-0.07%。最近

更新时间：2022-07-29 05:52

xgboost自定义目标和评估函数

https://bigquant.com/experimentshare/648ff204e53d44059c2d726e9219cfa3

更新时间：2022-04-21 06:21

xgboost自定义目标和评估函数

https://bigquant.com/experimentshare/85eb463354e54a9695eddc0c570040e6

更新时间：2022-03-31 18:20

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：2021-11-26 07:37

分页第1页第2页

XGBoost

策略源码：

策略源码：

更新

更新

什么是增量训练

增量更新的应用场景

更新

引言

问题

视频

策略相关

问题

视频演示

策略源码

核心概念

文献回顾

回顾价值策略

旧版声明

导语

Boosting V.S. Bagging

一、引言

二、算法介绍

引 言

正 文

摘要

摘要

摘要

引言

正文