2. 横截面选股基础
在进入 Learning to Rank（LTR）之前，必须先厘清一个根本问题：我们每天面对的股票数据，究竟属于哪一类结构？很多初学者把时间序列预测的思路直接搬到选股上，结果模型看似拟合良好，实盘却一塌糊涂。原因往往不是算法不够强，而是问题定义错了。本节围绕横截面数据、因子投资、排序预测与收益预测四个概念展开，帮你建立正确的建模视角。
一、核心原理：横截面数据与时间序列的本质差异
横截面数据（Cross-Sectional Data）指的是在同一时间点上，对多个个体（股票）的观测。例如 2024-06-28 这一天，全市场 5000 只股票的市盈率、动量、换手率构成一个横截面。而时间序列数据是同一只股票在不同时间点上的观测。二者最关键的差别在于：横截面关注的是同一时刻个体之间的相对差异，时间序列关注的是同一个体随时间的演变。
选股任务的本质是横截面问题：在每个调仓日，我们要回答“哪些股票比其它股票更值得买”。这与“预测某只股票明天涨多少”是两种完全不同的建模目标。前者关心相对排序，后者关心绝对数值。理解这一点，是理解 LTR 为何适用于选股的前提。
二、因子投资：横截面差异的系统化表达
因子投资（Factor Investing）是把横截面差异结构化的方法论。一个因子本质上是一个函数：给定某日某股票的特征，输出一个可比较的数值。常见因子包括价值（BP、EP）、动量（过去 20 日收益）、质量（ROE）、波动率等。因子投资的核心假设是：具有某些特征的股票，在横截面上会系统性地跑赢或跑输其它股票。
传统多因子模型通常采用打分法或回归法：先对每个因子做横截面标准化，再按权重合成综合得分，最后买入得分最高的 N 只股票。这套流程与 LTR 的目标高度一致——都是在横截面上做排序。区别在于，传统方法依赖人工设定权重与线性假设，而 LTR 用机器学习自动学习排序函数。
下面是一个典型的横截面因子预处理流程，注意每一步都必须在当日横截面上完成，而不是跨时间计算：
# 每个调仓日的横截面处理
for date in rebalance_dates:
df_day = data[data['date'] == date].copy()
# 1. 去极值（横截面）
df_day['factor'] = winsorize(df_day['factor'], limits=[0.01, 0.01])
# 2. 标准化（横截面 z-score）
df_day['factor'] = (df_day['factor'] - df_day['factor'].mean()) / df_day['factor'].std()
# 3. 缺失值填充
df_day['factor'] = df_day['factor'].fillna(0)
# 4. 合成得分
df_day['score'] = 0.4 * df_day['value'] + 0.3 * df_day['momentum'] + 0.3 * df_day['quality']
三、排序预测 vs 收益预测：目标函数的根本分歧
这是本节最容易被忽视、却最影响实战效果的区别。收益预测（Regression）把标签设为未来收益的连续值，用 MSE 等损失函数拟合；排序预测（Ranking）把标签设为股票在横截面上的相对次序或相关性等级，用 pairwise 或 listwise 损失优化。
为什么这个区别重要？假设某日真实收益为：A 股 +5%、B 股 +1%、C 股 -3%。回归模型可能预测 A=+2%、B=+1.5%、C=+1%，MSE 不大，但排序变成 B 优于 A，多头组合会买错。而排序模型只要保证 A > B > C 的顺序正确，就能选对股票。换句话说，收益预测优化的是数值逼近，排序预测优化的是相对次序。
| 对比维度 | 收益预测（Regression） | 排序预测（Ranking / LTR） |
|---|---|---|
| 标签形式 | 未来收益连续值 | 横截面次序 / 相关性等级 |
| 典型损失 | MSE、MAE | Pairwise Hinge、ListNet、LambdaRank |
| 优化目标 | 数值逼近精度 | 排序质量（如 NDCG、Rank IC） |
| 对异常值敏感度 | 高，极端收益主导损失 | 较低，只关心相对顺序 |
| 选股适配性 | 一般，易受尺度影响 | 高，直接匹配选股目标 |
四、案例与场景：同一天两只股票的建模差异
设想 2024-06-28 这一天，我们只有两只候选股票 X 和 Y。真实未来 5 日收益：X = +8%，Y = +2%。
- 收益预测视角：模型输出 X=+3%、Y=+4%，虽然整体低估，但把 Y 排在 X 前面，多头会买入 Y，错失 X 的 8% 收益。
- 排序预测视角：模型只需输出 X 的排序分高于 Y，即 score(X) > score(Y)，就能正确买入 X。
这个极简案例说明：在选股场景中，排序正确性比数值精度更直接决定组合表现。这也是 LTR 被引入量化选股的根本动机。实际工程中，我们常用 Rank IC（横截面 Spearman 相关系数）来衡量排序质量，而不是用 RMSE。
五、常见误区与复盘
- 误区一：把时间序列标签直接用于横截面模型。例如用“未来 5 日收益”做回归标签却不做横截面标准化，导致不同市场环境下标签尺度差异巨大，模型无法稳定学习。
- 误区二：认为排序预测不需要收益信息。排序标签通常由收益转化而来（如按收益分位数打等级），收益仍是信息来源，只是被转换成了次序。
- 误区三：忽略横截面样本的独立性。同一天内股票之间高度相关，做交叉验证时必须按日期分组，否则会严重高估模型效果。
- 误区四：用全样本标准化代替逐日横截面标准化。这会引入未来信息，造成数据泄露，实盘表现会大幅衰减。
总结来看，横截面选股要求我们以“同一时刻的股票比较”为基本视角，用因子把差异结构化，用排序预测而非收益预测来匹配选股目标。理解这三层关系，才能在后续章节中正确使用 Learning to Rank 构建实战模型。