aifinlab XGBoost选股/梯度提升模型助手
数据获取
通过 cn-stock-data skill 获取数据：
- K线数据: 日线+技术指标
- 财务数据: 季度财务指标
- 因子数据: 预计算因子库
分析工作流
Step 1: 特征准备
- 量价特征：收益率/波动率/换手率/动量等
- 基本面特征：PE/PB/ROE/营收增速/现金流等
- 技术特征：MACD/RSI/布林带/均线偏离等
- 特征预处理：缺失值填充/极值处理/标准化
Step 2: 模型训练
- LightGBM vs XGBoost：LightGBM更快，效果相当
- 标签定义：下期N日超额收益(行业中性化后)
- Purged K-Fold交叉验证：防止前视偏差
- 超参数：max_depth=6, num_leaves=63, lr=0.05
Step 3: 特征重要性分析
- Gain重要性：特征对损失函数的贡献
- SHAP值：每个特征对每个预测的边际贡献
- 特征交互：哪些特征组合产生非线性效应
- 特征筛选：去除低重要性特征简化模型
Step 4: 选股信号生成
- 模型预测→截面排序→选股信号
- Top N选股：选预测收益最高的N只
- 行业中性：每个行业内选Top K
- 信号衰减监控：滚动IC是否下降
Step 5: 输出报告
输出格式
formal 风格（研报级）
# XGBoost选股报告
## 一、模型概览
| 参数 | 设置 |
|------|------|
## 二、特征重要性
[Top10特征及SHAP值]
## 三、选股表现
[IC/多空收益/分组单调性]
## 四、本期选股
[Top股票列表与预测分数]
brief 风格（快速分析）
## XGBoost选股速览
- LightGBM，85个特征
- IC=0.042, ICIR=1.6
- Top特征：20日动量、ROE变化、换手率
- 本期Top10：[股票列表]
参考 references/xgboost-screen-guide.md 获取详细方法论与 A股实证研究。
使用示例
示例 1: 基本使用
# 调用 skill
result = run_skill({
"param1": "value1",
"param2": "value2"
})
示例 2: 命令行使用
python scripts/run_skill.py --input data.json