Stockranker算法调参比较
由hxgre创建，最终由hxgre 被浏览 157 用户
StockRanker算法的核心是排序学习和梯度提升树，本文以0.1和0.2作为“学习率”参数的输入值进行测试。
首先，我们以StockRanker的默认参数0.1作为“学习率”的输入值进行模型训练，得到以下的训练结果：
1.特征重要性：又称为特征权重，是StockRanker模型基于各个特征对模型贡献度的一个数量型评估指标，值越大表示越重要。从下图可以看出，在“学习率=0.1”的情况下，rank_return_0最为重要，其值为133.266；其次为rank_return_5（110.354）；最差的为avg_amount_0/avg_amount_5，其值为1.608。
2.回测/模拟收益统计：该模板策略年化收益率高达61.06%，夏普比率为1.87。
接着，我们查看“学习率=0.2”的模型训练结果：
1.特征重要性：增加学习率后，StockRanker训练的特征重要性的值和排序也发生了变化，比如：虽然贡献度最高的仍为rank_return_0，但其值从133.266明显增大为170.442；原贡献度第四名的rank_return_10指标反超pe_ttm_0成为贡献度第三的指标。
2.回测/模拟收益统计：调整学习率为0.2后，收益表现有所下降，年化收益率下降至48.64%，夏普比率下降至1.79，但胜率由0.51提升至0.53，收益波动率下降至21.85%。
最后，我们也可以发现，学习率越高，模型训练误差越小，精度越准，则时间开销越大。具体来说，“学习率=0.1”的模型训练时间为0.09s，而“学习率=0.2”的模型训练时间为612.45s。另外，两种模型的决策树路径也存在差异。