RF小市值增强策略
由bq20kttn创建，最终由bq20kttn 被浏览 62 用户
一、随机森林（Random Forest）
集成学习方法（Ensemble Learning）是一种机器学习技术，旨在通过组合多个基本模型（弱学习器或基学习器）的预测来提高整体性能和泛化能力。集成学习的核心思想是，通过结合多个模型的意见和决策，可以减少单个模型的误差，并在各种不同情况下获得更稳健的结果。集成学习方法通常比单个模型更强大，适用于各种机器学习任务，包括分类、回归和聚类等。
随机森林属于集成学习的一种，通过集成学习的Bagging思想将多棵树集成的一种算法：它的基本单元就是决策树。随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个数的结果是False, 那么最终投票结果就是True。
二、随机森林原理
随机森林的数学原理涉及到随机抽样、特征选择、决策树构建和集成方法。
1. 随机抽样
首先介绍自助采样法（bootstrap），如果我们有个大小为N的样本，我们希望从中得到m个大小为N的样本用来训练。那么我们可以这样做：首先，在N个样本里随机抽出一个样本x1，然后记下来，放回去，再抽出一个x2，… ，这样重复N次，即可得到N的新样本，这个新样本里可能有重复的。把上面的方法重复m次，就得到了m个这样的样本。实际上就是一个有放回的随机抽样问题。每一个样本在每一次抽的时候有同样的概率（1/N）被抽中。
随机森林的Bagging基于自助采样法这种方法，将训练集分成m个新的训练集，然后在每个新训练集上构建一个模型，各自不相干，最后预测时我们将这m个模型的结果进行整合，得到最终结果。这个过程引入了数据的随机性，使得每棵决策树的训练数据都略有不同。
2. 特征选择及决策树的构建
在每次决策树节点的分裂过程中，随机森林引入了特征的随机性。
决策树是用树的结构来构建分类模型，在每棵树中仅考虑有限数量的特征来拆分节点。假设总共有M个特征，从这些特征中随机选择m个特征来构建决策树。每个节点代表着一个属性，根据这个属性的划分，进入这个节点的子节点，直至叶子节点，每个叶子节点都表征着一定的类别，从而达到分类的目的。
那么决策树在每个节点是如何选择特征的呢？下面介绍决策树选择特征的几个指标。
（ 1 ）信息增益
表示得知特征X的信息而使得类Y的信息的不确定性减少的程度。一般而言，信息增益越大则意味着用属性 a 来进行划分所获得的“纯度提升”越大。
著名的ID3决策树学习算法就是以信息增益为准则来选择划分属性。但ID3算法只适用于分类任务中，且该算法生成的树容易产生过拟合（因为ID3只有树的生成没有剪枝）。
（ 2 ）信息增益比
又称为增益率。根据“信息增益”选择属性并划分结点存在一个问题：对可取值数目较多的属性有所偏好，比如“性别”只能取“男”或“女”，而“年龄”可以取任意整数，则信息增益会偏好选择“年龄”作为属性进行结点划分，这就使得信息增益和熵之间的的初衷产生了矛盾，而“增益率”通过在信息增益的基础上引入 IV 解决这一问题。IV称为属性a的“固有值”，可以看到属性a的可能取值数目越多（即V越大），则 IV(a) 的值越大，导致“增益率”越小。
C4.5决策树是对ID3算法的改进，C4.5算法采用信息增益比进行特征选择。
（ 3 ）基尼指数
基尼指数与“信息增益”类似。不同于用“信息熵”度量不存度，它利用基尼值。直观来说，Gini(D)反映了从数据集D中随机抽取两个样本，其类别标记不一致的概率。因此，Gini(D)越小，则数据集D的纯度越高。CART决策树采用基尼指数进行特征选择。
3. 集成方法
在随机森林中，多个决策树的结果被集成以进行分类或回归。对于分类问题，最终的分类结果是通过多数投票法来确定；对于回归问题，最终的回归结果是多个决策树的预测结果的平均值。
三、策略执行流程
1. 数据基础
- 训练数据：2020-01-01 至 2023-11-30 全市场 A 股日线数据
- 特征工程：构建 14 个量价及衍生特征，含 3/5/10/20 日收益率、5/10/20 日波动率、成交额均值、价格波动幅度、成交额比率、波动率比率、动量强度
- 标签定义：个股未来 5 日收益率跑赢当日全市场中位数为 1，否则为 0
- 数据处理：剔除特征或标签含缺失值的样本
2. 随机森林模型训练与预测
（1）模型训练
- 训练方式：初始化阶段一次性训练
- 核心参数：n_estimators=250，max_depth=15，min_samples_split=80，random_state=42，n_jobs=-1
- 特征处理：训练集数据标准化后输入模型
（2）预测逻辑
- 特征提取：调仓日提取个股当日 14 个量价特征
- 标准化：沿用训练集拟合的标准化器处理特征
- 输出结果：个股未来 5 日跑赢全市场中位数的分类预测值（1/0）
3. 股票池构建
- 非 ST、非停牌、非科创板、非北交所
- 上市天数>252 天
- 流通市值> 5 亿
4. 选股逻辑
- 优先筛选：预测值为 1 的个股
- 排序方式：流通市值升序
- 持仓数量：前 5 只
- 兜底规则：无预测值为 1 的个股时，直接选取流通市值最小的 5 只
5. 交易执行
- 调仓周期：每 5 个交易日
- 仓位管理：目标标的等权配置
- 交易规则：卖出非目标持仓，按开盘价下单；买入成本 0.03%，卖出成本 0.13%（最低 5 元 / 笔）
- 业绩基准：沪深 300 指数（000300.SH）
四、回测结果
模型学习时间为2020年1月1日-2023年11月30日，回测时间为2024年2月1日-2025年12月2日
\
五、改进方向
- 模型优化：特征大部分集中于量价及其衍生特征，可以加入更多特征进行训练如市场情绪因子（舆情情绪指数）、资金面特征（北向资金持仓占比）等等；
- 模型改进：采用滚动训练（如每 3 个月更新模型），适配市场风格变化，但是会增加算力消耗，一次性训练全量市场数据可能更为现实；
- 策略优化：在随机森林训练的基础上可以叠加其他收益更好的策略进行尝试，如结合动量 / 低波动因子加权排序，或者新增基本面特征（如营收增速、净利润增速等）进行筛选；
- 风控增强：加入止损规则（如单只个股亏损超 10% 强制卖出）或行业分散约束。
策略源码：https://bigquant.com/square/ai/5ee45688-e8fe-ac2c-3e13-f421657e6561
\