guidance.md•3.65 kB
好，我来给你一个**从 0 到 1**可执行的路线图（假设你已经有：原始数据+50个feature+label〔大涨/非大涨〕）。
目标是：**做一个稳定的二分类模型（XGBoost），逐步筛选出高价值特征**。
---
# 📘 执行步骤指南
## Step 0. 数据准备
1. **保证时间顺序**：按交易日排序，不能 shuffle（避免信息泄漏）。
2. **划分训练/验证/测试**：
* Train：最早 70% 数据
* Valid：中间 15% 数据
* Test：最新 15% 数据（严格模拟未来）
（可尝试时间滚动交叉验证 `TimeSeriesSplit`）
3. **处理缺失值**：XGBoost 可自动处理 NaN，但建议先检查是否有系统性缺失。
4. **标准化/分桶（可选）**：对于偏态特征（如量能、波动），做 winsorization（截尾）或 log 转换。
---
## Step 1. 初始建模（全特征）
1. 用 XGBoost 二分类器 (`XGBClassifier`) 训练全 50 个特征。
2. 参数初始推荐（防过拟合）：
```python
params = {
"n_estimators": 2000,
"learning_rate": 0.05,
"max_depth": 4,
"min_child_weight": 5,
"subsample": 0.8,
"colsample_bytree": 0.8,
"reg_alpha": 0.1,
"reg_lambda": 2,
"objective": "binary:logistic",
"eval_metric": "aucpr",
}
```
3. 使用 `early_stopping_rounds=100`，验证集早停。
4. 记录以下指标：
* **PR-AUC**（处理类别不平衡更合适）
* **Top-k Precision / Recall**（比如 Top 5% 样本是否包含大涨股票）
* **KS 值**（衡量区分度）
---
## Step 2. 特征重要性评估
1. 训练后，提取 **SHAP 值**（推荐用 `shap` 库），得到每个特征的平均贡献度。
2. 计算 **跨期稳定性**：
* 在不同折（train/valid/test）上分别算 SHAP 排名。
* 选取在各期 **排名前 20 且排名波动小**的特征。
3. 检查特征间的相关性（Spearman/Pearson）：
* 若 |ρ| ≥ 0.9 → 说明强相关 → 留排名高的一个。
---
## Step 3. 逐步消融（由多到少）
1. 从 **全 50 特征 → 精简 30 → 精简 15 → 精简 10**：
* 每次去掉排名末尾的 10 个特征。
* 重新训练模型，记录验证集 PR-AUC、Top-k Precision。
* 若性能下降 < 1% → 说明这些特征贡献不大，可以安全去掉。
2. 最终目标：保留 **10\~12 个稳健特征**（便于解释 + 泛化）。
---
## Step 4. 模型定型 & 阈值选择
1. 用最终选定的特征集，重新训练完整模型（train+valid），测试集做最终评估。
2. 选择决策阈值：
* 用验证集预测概率 `p`，计算不同阈值下的 Precision / Recall。
* 结合策略目标：
* 如果只想抓极端大涨 → 选 Precision 高的阈值（可能 Recall 低）。
* 如果想覆盖更多 → 选 Recall 高的阈值。
* 可用 **Youden’s J (TPR−FPR 最大)** 或 **F1/PR-AUC 最优** 来自动定阈值。
---
## Step 5. 回测与监控
1. 把模型信号转成策略：
* 例如：当天收盘后预测，若 `p > 阈值` → 第二天开盘买入，持有 N 日。
2. 做回测：看 **累计收益、最大回撤、胜率、IC/RankIC**。
3. 线上运行时：每隔 1 个月重新训练/更新模型，检查特征重要性漂移。
---
# ✅ 总结（执行路径）
1. 数据准备 → Train/Valid/Test 时间切分
2. XGBoost 全特征初训 → 得到基线表现
3. SHAP/Permutation + 相关性分析 → 初步筛特征
4. 逐步消融 → 压缩到 10\~12 个核心特征
5. 调阈值 → 找到 Precision-Recall 的平衡点
6. 回测 → 评估实际收益曲线
7. 部署 → 持续监控 + 更新
---
