人工智能选股之Boosting模型｜华泰证券2017年深度研究报告

报告摘要

本报告系统测试了AdaBoost、GBDT、XGBoost三种Boosting集成学习模型在多因子选股中的应用。核心发现：XGBoost分类模型在沪深300成份内选股超额收益达6.4%，信息比率1.78；全A选股相对中证500超额收益31.5%，信息比率4.4。XGBoost运算速度显著优于其他模型，训练时间仅为其他模型的1/2至1/8。Boosting模型相比随机森林更简单，决策树深度仅3，总数100。适合量化研究员、金融工程师、投资经理、AI选股从业者参考。

📋 核心要点(部分)

1. 本文研究导读
2. Boosting集成学习模型简介
3. 决策树
4. 提升算法AdaBoost
5. 梯度提升决策树GBDT
6. 极端梯度提升算法XGBoost
7. Boosting集成学习模型测试流程
8. Boosting集成学习模型测试结果
9. XGBoost分类模型参数优化