训练集

从金融角度看待“训练集”，可以将其精炼地描述为：在量化分析、风险评估或算法交易等金融科技应用中，用于“教授”或“训练”机器学习模型的一组历史或模拟金融数据。这组数据包含了多种金融变量，如价格、交易量、财务指标等，并通过特定的算法处理，使模型能够学习并识别出数据中的潜在模式，进而在未来的金融决策中提供预测或建议。训练集的质量和多样性对于模型的准确性和泛化能力至关重要。

DeepAlpha-DNN VS Lightgbm 实践报告

作者：dkl297836

策略思想

基于32个短期价量因子，训练集使用2016年1月1日至2020年12月31日共5年数据，每个交易日买入模型当日预测结果排名靠前的10只A股股票，个股最大仓位限制为20%，持股时间设置为5个交易日，初始资金100万。

Lightgbm策略

原有策略是基于Lightgbm机器学习算法，该策略的表现见图1：

![图 1：lightgbm-2021年1月1日至2022年6月10日回测结果{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachment

更新时间：2022-06-20 07:57

用线性-分类算法实现A股股票选股

策略案例

https://bigquant.com/experimentshare/5c5e31cf67c94de099b00aeab9676e48

\

更新时间：2021-07-30 07:26

分页第1页第2页

{link}