久久一日本道色综合久久_国产最爽的av片在线观看_精品成人Av一区二区三区_94久久国产乱子伦精品免费_国产三级网站在线观看_和女邻居做爰在线观看_wymfw最新免费_国产强奷在线免费阅读_95在线观看视频

排序?qū)W習的定義
　　排序?qū)W習（Learning to Rank，LTR）又名“機器排序?qū)W習”（Machine-learnedRanking）是一種監(jiān)督學習方法，此機器學習算法通過在數(shù)據(jù)集上對大量特征進行訓(xùn)練，從而學習生成排序模型，以用于解決實際中的排序問題。排序?qū)W習在文檔檢索、過濾和推薦系統(tǒng)等領(lǐng)域，已得到廣泛應(yīng)用。
　　LTR算法演變
　　本文逐步介紹排序?qū)W習具體的算法演變，其中包括了，基于配對文檔相對排序的概率損失函數(shù)，用數(shù)據(jù)對來訓(xùn)練模型的pairwise排序?qū)W習方法RankNet、對RankNet的配對思想進行了擴展，將RankNet中損失函數(shù)相對得分函數(shù)的梯度定義為lambda，與整體排序的評分標準（如NDCG）進行結(jié)合的LambdaRank、以及我們模型中所用到的在LambdaRank的基礎(chǔ)上將Mart與現(xiàn)有模型相結(jié)合的LambdaMart算法。
　　模型設(shè)計
　　在構(gòu)建股票池的時候，選擇了滬深300、中證500、中證1000的歷史成份股分別作為A股市場大盤股、中盤股、小盤股的代表構(gòu)建了1800只股票的備選股票池，取數(shù)時間范圍為2014年11月至2023年8月底。選股策略選取了價量數(shù)據(jù)作為模型特征的主要組成部分，其中包括了每日個股上大單、中單、小單的流入流出數(shù)據(jù)，并在此基礎(chǔ)上添加了一致預(yù)期數(shù)據(jù)。在進行數(shù)據(jù)處理之后，我們對以上數(shù)據(jù)使用了不同的算子進行特征工程。
　　LGBMRanker選股輪動模型回測結(jié)果
　　本文通過使用LGBMRanker對滬深300、中證500、中證1000的成份股進行排序?qū)W習，構(gòu)建出基于價量數(shù)據(jù)的選股模型，經(jīng)回測該策略從2015年11月至2023年8月底的累計絕對收益率為167.31%，相較于等權(quán)基準，累計超額收益率為160.16%，年化收益率為13.28%，超額年化為12.40%，夏普比率為0.48，最大回撤為34.58%。從回測結(jié)果來看，策略相較于等權(quán)基準的年勝率為88.89%，月勝率為65.96%，相較于滬深300的年勝率為77.78%，月勝率為58.51%，相較于中證500的年勝率為100%，月勝率為67.02%，相較于中證1000的年勝率為100%，月勝率為76.60%。策略2023年年初至8月底的絕對收益率為18.10%，相較于等權(quán)基準，超額收益率為13.14%，表現(xiàn)出色。
　　風險提示：
　　本報告中所有統(tǒng)計結(jié)果和模型方法均基于歷史數(shù)據(jù)，不代表未來趨勢。