训练集
从金融角度看待“训练集”，可以将其精炼地描述为：在量化分析、风险评估或算法交易等金融科技应用中，用于“教授”或“训练”机器学习模型的一组历史或模拟金融数据。这组数据包含了多种金融变量，如价格、交易量、财务指标等，并通过特定的算法处理，使模型能够学习并识别出数据中的潜在模式，进而在未来的金融决策中提供预测或建议。训练集的质量和多样性对于模型的准确性和泛化能力至关重要。
关于模型训练的一点简单想法：以DNN和StockRanker对比为例
作者：donkyxote
策略思想
基于17个短期因子，其中8个量价因子，9个均线因子。训练集使用2005-01-04至2020-06-01日，每个交易日买入模型当日预测结果排名靠前的1只A股股票，次日卖出。
StockRanker模型
原有模型是基于BQ提供的Stockranker机器学习算法：
![图 1：stockranker-2021年1月4日至2022年1月21日的模拟实盘结果{w:100}{w:100}](/wiki/api/attachments.redirect?id=bb5b3d09-3e20-4840-b5e0-2220d7f55
更新时间：2022-06-22 14:58
关于模型训练的一点简单想法：以DNN和StockRanker对比为例
策略思想
基于17个短期因子，其中8个量价因子，9个均线因子。训练集使用2005-01-04至2020-06-01日，每个交易日买入模型当日预测结果排名靠前的1只A股股票，次日卖出。
StockRanker模型
原有模型是基于BQ提供的Stockranker机器学习算法：
![图 1：stockranker-2021年1月4日至2022年1月21日的模拟实盘结果{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachments.redirect?id=bb5b3d09-3e20-4840-b5e0-2220d7f5599
更新时间：2022-06-22 05:47
DeepAlpha-DNN VS Lightgbm 实践报告
作者：dkl297836
策略思想
基于32个短期价量因子，训练集使用2016年1月1日至2020年12月31日共5年数据，每个交易日买入模型当日预测结果排名靠前的10只A股股票，个股最大仓位限制为20%，持股时间设置为5个交易日，初始资金100万。
Lightgbm策略
原有策略是基于Lightgbm机器学习算法，该策略的表现见图1：
![图 1：lightgbm-2021年1月1日至2022年6月10日回测结果{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}{w:100}](/wiki/api/attachment
更新时间：2022-06-20 07:57
用线性-分类算法实现A股股票选股
更新时间：2021-07-30 07:26