亚洲免费毛片新天堂sss,黄片一工区二工区

　　報(bào)告摘要

　　本文測試了多種數(shù)據(jù)標(biāo)注方法以及集成模型，XGBR-Combine 表現(xiàn)較好

　　將機(jī)器學(xué)習(xí)運(yùn)用于多因子選股時(shí)，不同的數(shù)據(jù)標(biāo)注結(jié)果(數(shù)據(jù)標(biāo)簽)會(huì)使得模型得出不同的訓(xùn)練和預(yù)測結(jié)果。本文使用隨機(jī)數(shù)種子+多次測試的手段，研究對比了分類和回歸、使用夏普比率作為標(biāo)簽、使用信息比率作為標(biāo)簽以及使用 Calmar 比率作為標(biāo)簽的方法，回測表現(xiàn)整體符合預(yù)期。最后，我們將不同數(shù)據(jù)標(biāo)注方法訓(xùn)練的模型進(jìn)行等權(quán)集成得到模型XGBR-Combine，該模型在回測中表現(xiàn)最為全面。

　　本文使用了隨機(jī)數(shù)種子+多次測試的方法來驗(yàn)證數(shù)據(jù)標(biāo)注方法的有效性

　　在機(jī)器學(xué)習(xí)模型的訓(xùn)練過程中，會(huì)有各種各樣的步驟給模型帶來隨機(jī)性，如果本文僅對一系列數(shù)據(jù)標(biāo)注方法進(jìn)行單次測試，那么所得出的結(jié)果未必具有說服力。此時(shí)有必要進(jìn)行多次對比測試來獲得統(tǒng)計(jì)意義上的“確定結(jié)果”。在多次測試中，可以對模型設(shè)置不同的隨機(jī)數(shù)種子，使得每次測試中模型的預(yù)測都有一定差別，最后我們統(tǒng)計(jì)對比模型構(gòu)建策略的相應(yīng)指標(biāo)的分布情況，就能得到更具有說服力的結(jié)果。

　　本文對比了 XGBoost 分類和回歸的測試結(jié)果，回歸整體表現(xiàn)更好

　　本文對比了全A股票池中，XGBoost 分類(XGBC)和回歸(XGBR)的選股效果。單因子回歸和 IC 測試中，XGBR 只在 RankIC 均值上稍低于 XGBC，其他指標(biāo)表現(xiàn)都比 XGBC 要好。單因子分層測試的 TOP 組合中 XGBC 和XGBR 的各項(xiàng)回測指標(biāo)比較接近。本文還構(gòu)建了相對于中證 500 的行業(yè)、市值中性全 A 選股策略并進(jìn)行回測，XGBR 相比 XGBC 在信息比率上有穩(wěn)定優(yōu)勢。在其他指標(biāo)上，XGBR 和 XGBC 的表現(xiàn)不相上下。整體來看，XGBoost 回歸的表現(xiàn)更好。

　　本文還測試了另外三種數(shù)據(jù)標(biāo)注方法，回測表現(xiàn)整體符合預(yù)期

　　本文還在全 A 股票池中測試了另外三種數(shù)據(jù)標(biāo)注方法，使用夏普比率作為標(biāo)簽的模型(XGBR-Sharpe)，使用信息比率作為標(biāo)簽的模型(XGBR-IR)以及使用 Calmar 比率作為標(biāo)簽的模型(XGBR-Calmar)。整體來看，在對應(yīng)的測試中，XGBR-Sharpe 比 XGBR 的夏普比率更高，XGBR-IR 比 XGBR 的信息比率更高，XGBR-Calmar 比 XGBR 的 Calmar 比率更高。三種數(shù)據(jù)標(biāo)注方法的回測表現(xiàn)和它們各自所設(shè)定的學(xué)習(xí)目標(biāo)相匹配，結(jié)果整體符合預(yù)期。

　　本文將不同數(shù)據(jù)標(biāo)注方法訓(xùn)練的模型進(jìn)行等權(quán)集成，回測表現(xiàn)最為全面

　　機(jī)器學(xué)習(xí)領(lǐng)域中可以采用模型等權(quán)集成的方式以充分體現(xiàn)不同模型的優(yōu)點(diǎn) 。我們將XGBR，XGBR-IR，XGBR-Calmar 三個(gè)模型集成得到XGBR-Combine 并構(gòu)建了相對于中證 500 的行業(yè)、市值中性全 A 選股策略，回測結(jié)果中，XGBR-Combine 綜合了三個(gè)基模型的優(yōu)點(diǎn)，在年化超額收益率(14.74%~18.22%)、信息比率(2.28~3.39)上都表現(xiàn)較好，在超額收益最大回撤(3.83%~8.79%)、Calmar 比率(2.13~3.87)上也有不錯(cuò)的表現(xiàn)。同時(shí)，XGBR-Combine 的以上 4 個(gè)回測指標(biāo)的標(biāo)準(zhǔn)差都比較小，說明其在多次測試中受隨機(jī)性的干擾程度最小，表現(xiàn)最為穩(wěn)定。

　　報(bào)告結(jié)論

　　在機(jī)器學(xué)習(xí)中，如何為訓(xùn)練樣本進(jìn)行數(shù)據(jù)標(biāo)注是一個(gè)非常重要的話題。由于數(shù)據(jù)標(biāo)注的結(jié)果(數(shù)據(jù)標(biāo)簽)會(huì)直接作用于監(jiān)督學(xué)習(xí)的目標(biāo)函數(shù)，因此不同的數(shù)據(jù)標(biāo)注方法會(huì)使得監(jiān)督學(xué)習(xí)得出不同的訓(xùn)練和預(yù)測結(jié)果。結(jié)合機(jī)器學(xué)習(xí)在多因子選股中的運(yùn)用，本文列出了各種數(shù)據(jù)標(biāo)注方法并進(jìn)行系統(tǒng)的測試，得出以下結(jié)論：

　　1.在機(jī)器學(xué)習(xí)模型的訓(xùn)練過程中，會(huì)有各種各樣的步驟給模型帶來隨機(jī)性，如果本文僅對一系列數(shù)據(jù)標(biāo)注方法進(jìn)行單次測試，那么所得出的結(jié)果未必具有說服力。此時(shí)有必要進(jìn)行多次對比測試來獲得統(tǒng)計(jì)意義上的“確定結(jié)果”。在多次測試中，可以對模型設(shè)置不同的隨機(jī)數(shù)種子，使得每次測試中模型的預(yù)測都有一定差別，最后我們統(tǒng)計(jì)對比模型構(gòu)建策略的相應(yīng)指標(biāo)的分布情況，就能得到更具有說服力的結(jié)果。

　　2.本文對比了全 A 股票池中，XGBoost 分類(XGBC)和回歸(XGBR)的選股效果。單因子回歸和 IC 測試中，XGBR 只在 RankIC 均值上稍低于 XGBC，其他指標(biāo)表現(xiàn)都比XGBC 要好。單因子分層測試的 TOP 組合中 XGBC 和 XGBR 的各項(xiàng)回測指標(biāo)比較接近。本文還構(gòu)建了相對于中證 500 的行業(yè)、市值中性全 A 選股策略并進(jìn)行回測，XGBR 相比 XGBC 在信息比率上有穩(wěn)定優(yōu)勢。在其他指標(biāo)上，XGBR 和 XGBC 的表現(xiàn)不相上下。整體來看，XGBoost 回歸的表現(xiàn)更好。

　　3.本文還在全 A 股票池中測試了另外三種數(shù)據(jù)標(biāo)注方法，使用夏普比率作為標(biāo)簽的模型(XGBR-Sharpe)，使用信息比率作為標(biāo)簽的模型(XGBR-IR)以及使用 Calmar 比率作為標(biāo)簽的模型(XGBR-Calmar)。整體來看，在對應(yīng)的測試中，XGBR-Sharpe 比 XGBR的夏普比率更高，XGBR-IR 比 XGBR 的信息比率更高，XGBR-Calmar 比 XGBR 的Calmar 比率更高。三種數(shù)據(jù)標(biāo)注方法的回測表現(xiàn)和它們各自所設(shè)定的學(xué)習(xí)目標(biāo)相匹配，結(jié)果整體符合預(yù)期。

　　4.機(jī)器學(xué)習(xí)領(lǐng)域中可以采用模型等權(quán)集成的方式以充分體現(xiàn)不同模型的優(yōu)點(diǎn)。我們將XGBR，XGBR-IR，XGBR-Calmar 三個(gè)模型集成得到 XGBR-Combine 并構(gòu)建了相對于中證 500 的行業(yè)、市值中性全 A 選股策略，回測結(jié)果中，XGBR-Combine 綜合了三個(gè)基模型的優(yōu)點(diǎn)，在年化超額收益率(14.74%~18.22%)、信息比率(2.28~3.39)上都表現(xiàn)較好，在超額收益最大回撤(3.83%~8.79%)、Calmar 比率(2.13~3.87)上也有不錯(cuò)的表現(xiàn)。同時(shí)，XGBR-Combine 的以上 4 個(gè)回測指標(biāo)的標(biāo)準(zhǔn)差都比較小，說明其在多次測試中受隨機(jī)性的干擾程度最小，表現(xiàn)最為穩(wěn)定。>>>點(diǎn)擊咨詢機(jī)器學(xué)習(xí)入門

　　量化金融分析師AQF實(shí)訓(xùn)項(xiàng)目