基于XGBoost的量化选股策略优化.docxVIP

基于XGBoost的量化选股策略优化

一、引言

在金融市场有效性不断提升的背景下，传统依赖主观判断或简单统计模型的选股方法逐渐难以满足投资者对收益稳定性与风险控制的需求。量化选股策略通过数据驱动的方式，将市场规律转化为可验证的数学模型，成为近年来资产管理领域的核心工具之一。然而，传统量化模型（如线性回归、随机森林等）在处理高维非线性数据、捕捉因子间复杂交互关系时存在明显局限，导致策略收益波动大、适应性不足（张磊，2021）。

XGBoost（eXtremeGradientBoosting）作为梯度提升树算法的改进版本，凭借其高效的并行计算能力、对缺失值的鲁棒性以及内置的正则化机制，在机器学