bond_value IC值不明显，分层不单调，但lightGBM的权重重要性很高。咱们还是使用lightGBM集成学习的方式，决策树是可以筛选特征的重要性的。——这是与股票市场不一样的地方，股票退市相对少，而转债本身就有退出周期。有时候，淡定一点，把事情处理得稳妥一点，后续的事情会更少。IC值大，但分层效果不好，大概率因子里包含了非线性因素。结果有可能，事情也许办了，但引入其他更加不可控的事情。

这个过程几乎是标准的，后来主要是添加更多、更好的因子，不同的标注方法，可以是分类也可以是连续的。同时，因子也可以做一些预处理，滤波之类的。金融量化注入到机器学习全流程中，主要就是数据预处理，因子计算，数据自动化标注，然后模型训练，模型预测等等。原创文章第99篇，专注“个人成长与财富自由、世界运作的逻辑， AI量化投资”。实现三个基准模型，分别为logistic回归、随机森森和SVM。第99篇了，第

没有什么好的改变会在瞬间发生，都是潜移默化，量化到质变的结果。DumpDataUpdate，其实是追加（日期必须在之后）（已存在的date数据不修改），DumpDataFix就是修改（不存在的date不追加）。假设回到大学毕业，告诉年轻时的自己（不能透露未来信息，比如房价，茅台和腾讯股票之类的未来信息），那站在今天的认知水平上，我们会告诉自己什么呢？到目前为止，我们完成了茅台的时间序列数据，以及财

—这一点上符合逻辑，从机器学习的角度，每天的数据是一个样本，而样本进行minmax，相对大小没有发生改变，只是“归一化”到0-1之间，更符合特定分布。这本书确实写得一般，不同于传统传记，他的写作，更像是要与特斯拉融入一体，那种半梦半醒，活在自我构建的世界，那种感觉。之前聊过比较多“FIRE——财务自由，提前退休”的方式，也聊过“500，10%”的财务自由逻辑。但我们有可能“成为”爱迪生。——实用主

因子挖掘的时候，并不需要传入X,y，我们只为生成符号，而不需要进行计算，计算是在fitness的时候进行，而fitness完成是我们自主定义，我就可以在这个环节对多个symbol进行计算。2、gplearn的符号生成不支持常量，比如roc(close,20)，这个20它必须hard code进去，不支持说，你从【1，2，5，10，20，40】里随机选择一下。股票的数据量比较大，还有各种指标，基本面

1、qlib自带的crawler，直接基于网页的采集脚本，一是网络可能不稳定，数据质量无法保证；其实问题反而简单，我们可以不必看那些collector的代码，只知道我们需要把序列写到一个文件目录下的csv即可。qlib的数据库是专门为AI量化定制的，可以多进程并行计算，在海量因子计算的时候有优势。qlib内置的数据源是来自网上，数据质量不高且不稳定，网络不好的时候下载不下来。目前我选用的数据库是t

机器模型也是，它是针对每个symbol，训练一个模型，我在想，如果4000支股票，这就训练了4000个模型。由于pybroker是一个symbol一个model，它没有qlib的dataset，可以直接提供数据给机器训练使用，因此，我们借用一下qlib的dataset相关的代码，包括预处理等。而qlib相反，它的传统规则量化非常弱，基本不支持写规则，ai模型出来之后，就一个topK轮动，比如要加一

三年前，开始认真输出内容，就有了B计划的样子。——现在的生活是你三年前、五年前的模式所决定的，没有办法很快去改变。这个需要想清楚，这条路当然优点非常多，尤其适合内向，不喜欢，也不擅长与人协作、打交道的同学们。有时候不是努力就可以的，它需要一种特质，一点点悟性，还有很多的耐心。你理想中的生活与现实中的生活，之间的差距，就是你要去补足的地方。C计划，大胆一点，疯狂一点，守住底线的基础上勇敢做自己。三年

原创内容第923篇，专注智能量化投资、个人成长与财富自由。今天是星球一周一度更新代码的日子，代码已经更新到星球：核心代码所带的策略集，在pycharm下启动终端（默认会激活虚拟环境），然后输入 jupyter notebook：点击“策略集”：点击“机器学习策略”模型训练：因子重要性排序分析：回测：​​​​​​​年化25.3%，这是一个完整的机器学习应于量化策略开发的流程。吾日三省吾身《拿铁因素》

今天开始整合机器学习训练至主界面中。机器学习应用到金融量化的核心框架一个量化策略，无论是传统的技术分析，还是机器学习策略，无外乎几个部分：一、数据准备，一般是整理成pandas的dataframe，包含基础的OHLCV等数据。二、计算衍生指标，比如技术指标、或者worldquant101这样的alpha因子，一切皆因子，即机器学习模型里的特征，机器学习模型还需要打label，即预测未来某段时间的收