今天的核心任务要走通机器学习模型，在金融标注数据的应用。 　　

　　昨天我们已经完成数据集的分割。 　　

　　数据集准备好了之后，进入模型训练。 　　

　　def fit(self，df，num_boost_round=1000，early_stopping_rounds=50，verbose_eval=20，evals_result=dict()，**kwargs): dtrain，dvalid=self ._prepare_data(df，' 2016-01-01 ')params={ ' objective ' : ' MSE，' verbosity ' :-1 } self。型号=lgb。train(params，dtrain，num _ boost _ round=num _ boost _ round，valid_sets=[dtrain，dvalid]，valid_names=['train '，' valid']，early _ stopping _ rounds=early _ stopping _ rounds，verbose_eval=verbose_eval，eval，evals _ result=evals _ result values())[0]evals _ result[' valid ']=list(evals _ result[' valid '].values())[0]然后就是预测得分。 　　

　　定义预测(自我):如果自我模型为None:提高值错误('模型尚未拟合!')回pd .系列(自我。模型。预测(自我。df _ valid['功能']).价值观)，指数=自我。df _ valid。索引) 　　

　　模型的训练与预测的代码非常简洁，与实例的美国石油学会(美国石油协会)相类似，就是把设定相关参数，然后总能得到结果，但结果有没有效就未可知了，这一步只能算是走通了流程而已。 　　

　　机器学习模型难处不在于模型的应用，而在于理解模型，参数调优，数据预处理，特征工程这些。 　　

说lightGBM前，一定要提GBDT（Gradient Boosting Decision Tree，梯度提升决策树），因为lightGBM只是GBDT的一种实现。

GBDT主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。

在LightGBM提出之前，最有名的GBDT工具就是XGBoost。相比于XGBoost，LightGBM在不损失准确性的前提下，加速了训练过程。

基础组件均已“成型”，再来思考一个平台整合的事情。

1、GUI界面输入task的参数，以及task可以持久化的参数，生成yaml文件。

2、读取gui界面动态参数以及yaml的文件配置，生成任务。可一次加载多个任务。

3、Task加Runtime Config生成TaskConfig交给回测引擎。

可以内置常用的策略模板，比如“买入并持有（定期再平衡）”、“按规则――轮动模型”、“机器学习――轮动模型”，并不需要开放algo级别的能力。

4、回测引擎根据任务特点，技术分析型是直接loop出结果；机器学习型的训练模型并预测得到pred_score后，运行loop。

5、回测结果持有化供分析。

6、加载持有化的回测结果，可视化回测结果。

这三段是独立通过“持久化”的中间态文件来交换信息，可以复用，在开发上也便于调试。

三大宽基指数，等权组合加年度再平衡，年化可以达到14%，当然最大回撤比较大。

在自研的algo模块的基础上，封装出常用的策略模板。

class StrategyBuyHold(Strategy):    #params={period=1...N,可选；}    def __init__(self, name, params={}):        algo_period = None        if 'period' in params.keys():            algo_period = RunPeriod(period=params['period'])        else:            algo_period = RunOnce()        algo_list = [            algo_period,            SelectAll(),            WeightEqually()        ]        super(StrategyBuyHold, self).__init__(name,algo_list)

这个策略仅需要一个参数：period，默认值是None。

task = {    'name': '三大指数，年度再平衡',    'strategy': 'buy&hold',    'params': {        'period': 252,    }}

轮动策略也比较简单：

class StrategyRolling(Strategy):    def __init__(self, name, params={}):        algo_list = [            SelectBySignal(signal_buy=params['signal_buy'],signal_sell=params['signal_sell']),            SelectTopK(K=params['K'], col=params['sort_by']),            WeightEqually()        ]        super(StrategyRolling, self).__init__(name,algo_list=algo_list)

参数配置如下：

task_mom = {    'name': '三大指数-动量轮动',    'strategy': 'rolling',    'params': {        'K': 2,        'sort_by': '五日动量'    }}

知识星球：AI量化投资实验室，交流最前沿人工智能与量化投资的资讯与技术。