📚 课程目录第1章课程导入

课程导入：量化选股的基本概念、树模型在其中的定位、课程学习目标与整体框架

量化选股（Quantitative Stock Selection）是指利用数学模型、统计方法和计算机技术，从海量市场数据中挖掘规律，构建可重复、可验证的选股规则，从而系统性地获取超额收益的过程。与传统基本面分析或技术分析相比，量化选股的核心优势在于纪律性（排除情绪干扰）、系统性（覆盖全市场数千只股票）和可回测性（策略上线前可验证历史表现）。在量化选股的完整技术栈中，树模型（Tree-based Models）因其对非线性关系的拟合能力、对特征交互的自动捕捉能力以及良好的可解释性，已成为从传统多因子模型向机器学习选股过渡中最重要的一类算法。本课程将系统讲解树模型在量化选股中的原理、工程实现与实战调优。

1.1 量化选股的基本概念与核心流程

量化选股的本质是将投资逻辑转化为可计算的数学模型。一个完整的量化选股系统通常包含五个核心环节：数据获取与清洗、因子/特征构造、模型训练与预测、组合构建、执行与风控。其中，数据是基础，特征（因子）是表达，模型是核心引擎，组合与风控是落地保障。

在传统多因子框架中，选股模型通常采用线性回归或打分法，假设因子与未来收益之间存在线性关系。然而，真实市场中的因子与收益关系往往呈现非线性、交互性和时变性。例如，低估值因子在牛市中可能失效，但在熊市中表现突出；小市值因子在特定监管环境下可能产生极端风险。树模型天然具备处理非线性关系、自动捕捉特征交互、对异常值鲁棒等优势，因此成为替代线性模型的重要选择。

维度	传统多因子模型	树模型选股
关系假设	线性关系为主	非线性、分段关系
特征交互	需手动构造交互项	自动捕捉特征交互
缺失值处理	需插补或删除	可原生处理
可解释性	因子权重直观	特征重要性、SHAP值
过拟合风险	较低	需正则化与交叉验证
适用场景	因子线性有效	因子非线性、复杂交互

1.2 树模型在量化选股中的定位

树模型在量化选股中的定位可以从三个层面理解：作为独立的选股模型、作为因子挖掘工具、作为集成学习的基学习器。

作为独立选股模型时，单棵决策树或随机森林直接以特征为输入，预测股票未来N日的收益排名或上涨概率。这种方式适合特征维度适中（几十到几百个）、样本量充足（数千只股票×历史时间序列）的场景。作为因子挖掘工具时，树模型可以自动发现因子之间的非线性组合，例如“当市盈率低于20且动量因子高于行业均值时，未来一个月上涨概率显著提升”，这种规则可以直接转化为新的合成因子。作为集成学习的基学习器时，GBDT、XGBoost、LightGBM等模型通过多棵树的叠加，逐步减小残差，在量化选股中表现出极强的拟合能力。

  核心定位总结：树模型在量化选股中不是孤立存在的，而是连接“数据特征”与“投资决策”的桥梁。它既可以直接输出选股信号，也可以作为特征工程的一部分，为下游模型提供更丰富的输入。

1.3 课程学习目标

完成本课程学习后，学员应达到以下能力目标：

原理理解：掌握决策树、随机森林、GBDT、XGBoost、LightGBM、CatBoost的核心数学原理与算法差异。
工程实现：能够使用Python（sklearn、XGBoost、LightGBM）构建完整的量化选股流程，包括数据预处理、特征工程、模型训练、超参数调优。
实战应用：能够独立完成从因子挖掘到回测评估的完整选股策略开发，并理解过拟合、前视偏差、幸存者偏差等常见陷阱。
可解释性：能够运用特征重要性、SHAP值、部分依赖图等工具解释模型决策逻辑，满足投资决策的合规与风控要求。
前沿拓展：了解树模型与深度学习（如TabNet、NODE）的融合方向，以及树模型在另类数据（新闻舆情、卫星图像）中的应用。

1.4 课程整体框架

本课程共30章，分为六大模块，从基础原理到前沿应用层层递进：

模块	章节范围	核心内容
模块一：树模型基础	第1-5章	决策树原理、特征选择、剪枝策略、分类与回归树
模块二：集成学习	第6-10章	Bagging、随机森林、ExtraTrees、特征重要性评估
模块三：梯度提升树	第11-16章	GBDT原理、XGBoost工程优化、LightGBM高效实现、CatBoost类别特征处理
模块四：量化选股实战	第17-23章	因子挖掘、标签设计、模型训练流水线、超参数调优、过拟合控制
模块五：回测与评估	第24-27章	回测框架搭建、绩效指标（IC/IR/夏普）、换手率与交易成本、风险归因
模块六：前沿与扩展	第28-30章	树模型与深度学习融合、另类数据应用、模型可解释性（SHAP）

1.5 常见误区与学习建议

误区一：认为树模型“越复杂越好”。在量化选股中，过拟合是最大的敌人。一棵深度为20的决策树在训练集上可能完美拟合，但在样本外预测中表现极差。必须通过交叉验证、早停、正则化等手段控制模型复杂度。
误区二：忽略时间序列特性。量化选股的数据是时间序列，不能简单随机打乱后划分训练集和测试集，必须按时间顺序划分，防止前视偏差。
误区三：只关注模型而忽略数据质量。因子数据中的缺失值、异常值、幸存者偏差会严重影响模型效果，数据清洗是建模前最重要的一步。

学习建议：每学完一个算法，立即用A股或美股数据动手实践。建议使用Tushare、Wind或JoinQuant等平台获取数据，从最简单的决策树开始，逐步过渡到XGBoost和LightGBM。同时，养成记录实验日志的习惯，对比不同模型、不同参数下的表现差异。

1.6 案例拆解：从线性模型到树模型的收益提升

为帮助学员直观理解树模型在量化选股中的价值，我们以一个简化案例说明。假设我们使用A股市场2015-2020年的数据，选取5个常用因子：市盈率（PE）、市净率（PB）、动量因子（过去20日涨幅）、换手率、市值对数。标签定义为未来20个交易日的收益率。

初始现象：使用线性回归模型进行选股，将股票按预测收益分为10组，回测结果显示多空组合（Top组-Bottom组）年化收益率为8.2%，夏普比率0.6，表现平平。

分析判断：线性模型无法捕捉因子之间的交互效应。例如，低PE因子在低换手率股票中可能更有效，但在高换手率股票中可能失效。这种非线性关系需要更灵活的模型。

实际操作：改用XGBoost模型，使用相同的5个因子，通过5折交叉验证调参（max_depth=4, learning_rate=0.05, n_estimators=300），并加入早停机制。回测结果显示，多空组合年化收益率提升至15.6%，夏普比率提升至1.1。

结果对比：

模型	年化收益率	夏普比率	最大回撤	月均换手率
线性回归	8.2%	0.6	-18.5%	35%
XGBoost	15.6%	1.1	-12.3%	42%

风险与代价：XGBoost模型虽然收益提升，但换手率上升导致交易成本增加，且模型复杂度提高后，对数据质量的要求更高。此外，树模型在极端市场环境下（如2015年股灾）可能产生较大预测偏差，需要结合风控规则使用。

复盘经验：树模型的价值在于捕捉非线性关系和特征交互，但必须配合严格的时间序列交叉验证和成本模型。建议学员在实战中先建立线性基线模型，再逐步引入树模型，对比增量收益是否覆盖额外成本。