原創文章第570篇，專注“AI量化投資、世界運行的規律、個人成長與財富自由"。

研報復現繼續：【研報復現】年化27.1%，人工智能多因子大類資產配置策略之benchmark

昨天調了一版參數，主要是lambda_l1, lambda_l2，防止過擬合的，有明顯的效果：年化29.3%，最大回撤18.5%，還有繼續優化的空間。

def train(df_train, df_val, feature_cols, label_col='label'):model = LGBMRegressor(boosting='gbdt',  # gbdt \ dartn_estimators=600,  # 迭代次數learning_rate=0.1,  # 步長max_depth=10,  # 樹的最大深度seed=42,  # 指定隨機種子，為了復現結果num_leaves=250,# min_split_gain=0.01,lambda_l1=2,lambda_l2=2000)

目前使用的是GridCV網格參數搜索：

ef adj_params(X_train, y_train):"""模型調參"""params = {# 'n_estimators': [100, 200, 300, 400,500,600,700,800],# 'learning_rate': [0.01, 0.03, 0.05, 0.1],'max_depth': range(10, 64, 2),# 'lambda_l1': range(0,3),# 'lambda_l2':[200,400,800,1000,1200,1400,1600,2000]}other_params = {'learning_rate': 0.1, 'seed': 42, 'lambda_l1': 2, 'lambda_l2': 2000}model_adj = LGBMRegressor(**other_params)# sklearn提供的調參工具，訓練集k折交叉驗證(消除數據切分產生數據分布不均勻的影響)optimized_param = GridSearchCV(estimator=model_adj, param_grid=params, scoring='r2', cv=5, verbose=1)# 模型訓練optimized_param.fit(X_train, y_train)# 對應參數的k折交叉驗證平均得分means = optimized_param.cv_results_['mean_test_score']params = optimized_param.cv_results_['params']for mean, param in zip(means, params):print("mean_score: %f,  params: %r" % (mean, param))# 最佳模型參數print('參數的最佳取值：{0}'.format(optimized_param.best_params_))# 最佳參數模型得分print('最佳模型得分:{0}'.format(optimized_param.best_score_))

后續考慮使用hyperopt以及gluon來調參：

ModelTrainer：基于AutoGluon的多因子合成AI量化通用流程

代碼與數據均在星球更新：

AI量化實驗室——2024量化投資的星辰大海

吾日三省吾身

昨天有同學留言說，現在這后半段有點雞湯了。

我向來反感和警惕雞湯，因此，我仔細反思了一下。

當下的大環境，大家越發渴望確定性，希望快速成功，賺錢，獲得安全感。

但如果想聽真話的話——這個世界沒有“速成”之說。

成功也沒有秘籍——沒有武俠小說里，那種猴子肚子里掏出一本書，然后幾天內達到別人30年的功力，然后年紀輕輕就獨步天下——沒有。

所謂心得，其實都是顯學。

理財——多多儲蓄，堅持長期投資，保持耐心。——沒有了。

無論你想不想慢慢變富，你都會慢慢變老。區別在于，你是又老且富，還是又老且窮。

你說有沒有財富自由快車道，——有，也是按3-7年往前看的。

有誰見過，花1000塊錢不到，買一個策略或系統，然后賺1000萬的？——誰這么跟你說，一定對你別有所圖。

美好的東西都是需要時間這個變量來孵化。

它可能很慢，尤其在前期，慢到很多人沒有耐心等到它發生。量化過程很慢，但越到后期才指數級復利加速。

如何度過這個孵化期——信念、系統。

種一棵樹，最好的時間是十年前，其次是現在。

歷史文章：

lightGBM全球大類資產多因子量化之重要因子篩選

【研報復現】年化27.1%，人工智能多因子大類資產配置策略之benchmark

AI量化實驗室——2024量化投資的星辰大海