工作流示例
为方便大家使用，我们提供了以下模版，供大家学习参考，新建一个工作流，直接拖对应的json到窗口中即可（json可找小助理领取），可以自己尝试修改参数和模型。
直接收益率预测排序
🌟 核心思路
利用 XGBoost 模型直接预测股票未来的收益率，并根据预测值进行排序和分组。
📌 实施流程
- 输入因子矩阵
- 使用 XGBoost 模型进行回归训练，输出预测值：
- 对预测收益率
进行排序，构建分组或选股策略。
✅ 特点
- 模型结构清晰，预测目标明确；
- 无需额外构因子，操作直接；
- 适合用于回测与实盘打分排序。
参见：因子示例-XGBOOST.json
重要性矩阵经 PCA 降维构因子
🌟 核心思路
将每个因子的多个重要性指标（weight, gain, cover）组成矩阵，使用主成分分析降维提取方向作为因子权重，构造组合因子。
📌 实施流程
- 构建因子重要性矩阵（n为因子个数）：
$ - 对矩阵 I 进行 PCA 降维：
- 取第一主成分 作为因子的权重；
- 构建组合因子：
- 对 F_i排序选股分组。
✅ 特点
- 自动学习加权方向；
- 降维压缩信息；
- 可结合多个模型权重生成组合因子。
参见：因子示例-XGBOOST+PCA.json
逐因子 XGBoost 建模，预测 IC 作为因子权重
🌟 核心思路
对每个量价因子 $ x_j $ 构建一个 XGBoost 模型，预测该因子未来横截面上的信息系数（IC），以 IC 为权重构建组合因子用于选股排序。
📌 实施流程
- 对每个因子 $ x_j $ 构建训练样本集：
- 输入特征：因子在不同时间截面上的值；
- 标签目标：该因子在下期与收益的横截面 IC 值：
- 单独训练每个因子的 XGBoost 模型：
- 获取当前时点 $ t_0 $ 的预测 IC：
- 将每个预测的 $ \hat{IC}_j $ 作为因子权重，合成组合因子：
- 对 $ F_i $ 排序选股分组。
✅ 特点
| 优点 | 说明 |
|---|---|
| 模型粒度细 | 每个因子分别建模，避免特征间干扰 |
| 权重有金融意义 | IC 预测值本身就是因子“预测有效性” |
| 动态可更新 | 每期都可根据模型输出调整因子贡献度 |
| 易做扩展 | 可纳入特征工程（历史 IC、行业信息等）增强预测能力 |
参见：因子示例-特征IC多因子构建-XGBOOST
基于面板数据的多任务神经网络预测因子 IC 构建组合因子
🌟 核心思路
将多个量价因子的历史表现构造成面板数据，使用多任务神经网络（MTL）统一预测未来所有因子的横截面 IC 值，作为因子权重。
📌 实施流程
-
构建面板数据结构（以因子 × 时间为基础）：
- 每一行为某个因子在某期的表现；
- 输入特征：该因子在不同截面上的量价因子值；
- 标签为该期在下一期的横截面 IC 值。
-
用多任务神经网络建模：
- 所有因子共享一组隐藏层以提取公共特征；
- 每个因子设置单独输出头，预测自己的未来 IC 值：
-
**在当前时点预测每个因子的未来 IC 值
-
用预测 IC 值作为因子权重，构造组合因子：
-
对 $ F_i $ 排序构建选股组合。
参见：因子示例-多任务神经网络因子构建.json
