機器學習範例策略
本範例展示如何使用機器學習進行選股，透過 XGBoost 模型（經由 qlib 整合）預測股票未來報酬，並結合技術面趨勢過濾建構投資組合。
特徵工程
使用股價淨值比（PB）和本益比（PE）作為特徵，透過 feature.combine() 整合為特徵矩陣，以週為重新取樣頻率。
from finlab import data
from finlab.ml import feature as mlf
features = mlf.combine({
'pb': data.get('price_earning_ratio:股價淨值比'),
'pe': data.get('price_earning_ratio:本益比')
}, resample='W')
features.head()
標籤定義
標籤為未來 12 週的報酬率，使用 label.return_percentage() 計算。
from finlab.ml import label as mll
label = mll.return_percentage(features.index, resample='W', period=12)
模型訓練與預測
以 2020-01-01 為分界，之前的資料作為訓練集，之後的資料作為測試集。使用 qlib 提供的 XGBModel 進行訓練與預測。
import finlab.ml.qlib as q
is_train = features.index.get_level_values('datetime') < '2020-01-01'
X_train, y_train = features[is_train], label[is_train]
X_test = features[~is_train]
model = q.XGBModel()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
建構投資組合與回測
將模型預測結果結合 60 日均線趨勢過濾（收盤價高於 60 日均線才納入），選取預測值最高的前 10 檔股票，以季度為頻率進行回測。