一 通过模版构建机器学习工作流

创建工作流时选择“因子大赛-非线性因子-xgboost示例”，构建自己的机器学习工作流，如下图：

运行成功后查看因子分析结果

从上图可以看出IC_mean=-0.0042是负相关，并且组2的年化收益率最高，

二 调试特征

2.1 在公式输入增加open，调整因子分析中的印在方向由0改成1

运行成功后查看因子分析结果，组5排在第一位，显示IC_mean=0.0205，Rank_IC=0.0285

2.2 从上图分析，是增加open特征改变了 IC_mean为正相关，把close去掉，看看效果如下图：

IC_mean=0.0108，下降了，发现还是open和close结合更合适

三 调试参数

调整xgboost参数，增加决策树数量从100到200，学习率0.01到0.005，IC_mean=0.0298，Rank_IC=0.0468，执行结果如下图：

总之，通过对特征改变和gboost参数修改，确实能够提高IC和Rank_IC等参数更接近合理范围。