ML4T · 第 9 章树模型与梯度提升

文档摘要

ML4T · 第 9 章树模型与梯度提升章节摘要:本章属「高阶篇」,是全书的高阶核心之一。讲清非线性建模的主力——树模型与梯度提升。先讲解决策树与 Bagging 的原理,理解树如何降低方差;再用随机森林做调参实战,落到日本股票多空策略;接着引入梯度提升机(GBM)作为基线;然后用 LightGBM 与 CatBoost 生成交易信号,对比两大主流库;再用 SHAP 做模型解释,理解模型到底学了什么;最后把视野扩展到日内特征与更高频的建模。本章共 6 节,素材来自原项目与 ,前置依赖为「第 8 章」。学习目标阅读完本章,你应当能够: 理解决策树与 Bagging 如何降低预测方差。调参随机森林并构建日本股票多空策略。训练 GBM 基线模型,理解梯度提升原理。

ML4T · 第 9 章树模型与梯度提升

章节摘要:本章属「高阶篇」,是全书的高阶核心之一。讲清非线性建模的主力——树模型与梯度提升。先讲解决策树与 Bagging 的原理,理解树如何降低方差;再用随机森林做调参实战,落到日本股票多空策略;接着引入梯度提升机(GBM)作为基线;然后用 LightGBM 与 CatBoost 生成交易信号,对比两大主流库;再用 SHAP 做模型解释,理解模型到底学了什么;最后把视野扩展到日内特征与更高频的建模。本章共 6 节,素材来自原项目 11_decision_trees_random_forests 与 12_gradient_boosting_machines,前置依赖为「第 8 章」。

学习目标

阅读完本章,你应当能够:

理解决策树与 Bagging 如何降低预测方差。
调参随机森林并构建日本股票多空策略。
训练 GBM 基线模型,理解梯度提升原理。
用 LightGBM 与 CatBoost 生成交易信号并对比。
用 SHAP 解释模型,看懂特征贡献。
把模型扩展到日内特征与更高频建模。

⚠️ 本章涉及选股与多空策略回测,仅供学习研究,树模型易过拟合,样本外衰减明显,切勿直接用于实盘。

核心概念速览

树模型在金融中是非线性建模的主力——但越是强大,越要警惕过拟合。

子章节导航

01 决策树与 Bagging

决策树原理、不纯度划分、Bagging 降低方差。

02 随机森林调参与日本股票多空

随机森林调参实战,构建日本股票多空策略。

03 GBM 基线

梯度提升机原理、串行拟合残差、GBM 基线。

04 LightGBM 与 CatBoost 交易信号

LightGBM 与 CatBoost 两大力器的对比与交易信号生成。

05 SHAP 模型解释

SHAP 值原理,做特征贡献与模型解释。

06 日内特征与模型

把树模型扩展到日内特征与更高频建模。

子章节之间的逻辑关系


本章第 01 节(决策树) ──► 第 02 节(随机森林) ──► 第 03 节(GBM)
   │
   ▼
第 04 节(LightGBM/CatBoost) ──► 第 05 节(SHAP) ──► 第 06 节(日内)
   │
   ▼
下一章(第 10 章 无监督学习与深度学习强化学习)

前置知识与后续延伸

前置知识:

第 8 章(端到端工作流与回测流程)

后续延伸:

第 10 章会转向无监督学习与深度学习/强化学习
SHAP 解释方法同样适用于第 10 章的深度模型

ML4T · 第 9 章 树模型与梯度提升

文档摘要