模型选择指南

status: active owner: quant-market-research last_verified: 2026-10-03 source_of_truth: yes superseded_by: n/a

本页帮助研究者选择模型起点。模型注册范围和扩展条件见 model-landscape.md · English。参数定义和命令说明见编排配置与CLI 辅助工具。

模型注册表还包含 fixed_score_artifact。它读取外部冻结分数，不训练预测模型，因此单独放在产物回放流程中使用。

快速选择

研究目的	建议模型
建立默认非线性基线	`xgb_regressor`
检查同日排序目标是否有增量	`xgb_ranker`
快速检查线性信号	`ridge_scaled`
已同尺度特征的兼容性对照	`ridge`
检查稀疏线性约束	`elasticnet`
回放已经冻结的外部分数	`fixed_score_artifact`

模型角色

模型	训练方式	优点	使用边界
`xgb_regressor`	拟合连续标签	能表达非线性关系和特征交互	参数较多，需要稳定的时间切分和退化检查
`xgb_ranker`	按 `trade_date` 分组学习排序	训练目标贴近横截面选股	依赖有效的日内分组，训练和调参成本较高
`ridge`	带 L2 正则的线性回归	训练快，系数容易解释，对共线性较稳	无法表达复杂的非线性关系
`ridge_scaled`	折内标准化后带 L2 正则的线性回归	适合比例、金额和比率混合的财务特征，避免尺度主导正则化	仍无法表达复杂的非线性关系，标准化参数必须只在训练折拟合
`random_forest_regressor`	随机森林回归	通过随机树平均建立非线性对照	仍需时间切分和标签成熟检查，袋外分数不能替代时间外验证
`elasticnet`	带 L1 和 L2 正则的线性回归	可以同时收缩系数和压缩特征	需要同时选择 `alpha` 与 `l1_ratio`，更容易出现全零输出

A 股预设当前使用 xgb_regressor。财务研究应优先使用 ridge_scaled 作为线性对照，再用 ridge 做兼容性检查。两者都不能替代严格的时间切分。

最小配置

Ridge

model:
  type: ridge
  params:
    alpha: 1.0
  sample_weight_mode: date_equal

ridge 适合快速检查特征和连续标签之间是否存在稳定的线性关系。线性结果弱时，应先复核数据、标签和特征证据，再增加模型复杂度。

标准化 Ridge

model:
  type: ridge_scaled
  params:
    alpha: 1.0

ridge_scaled 在每个训练折内拟合 StandardScaler，再拟合 Ridge。它适合财务特征同时包含百分比、金额和比率的研究。标准化器不得使用测试折或未来日期拟合。

XGBoost Ranker

model:
  type: xgb_ranker
  params:
    objective: rank:pairwise

xgb_ranker 会按 trade_date 组织训练分组。它适合在已有可复现回归基线后，检验直接学习排序是否改善横截面结果。

ElasticNet

model:
  type: elasticnet
  params:
    alpha: 1.0
    l1_ratio: 0.5
  sample_weight_mode: date_equal

elasticnet 用于稀疏线性专项对照。运行后需要检查 summary.json 中的 flag_constant_prediction 和 flag_zero_feature_importance。

固定分数产物

model:
  type: fixed_score_artifact
  params:
    score_col: pred

输入数据必须包含 score_col 指定的列。该入口用于原样回放冻结分数，适合验证外部策略或跨仓库信号交接。

参数搜索

当前公开的 strategy-pipeline CLI 不提供 alpha 模型调参或线性模型扫描命令。旧文档中的 strategy alpha tune、strategy alpha sweep-linear 和 strategy summarize 已不属于当前 CLI。使用旧说明前，请先运行 strategy-pipeline --help 确认可用命令。

调参时建议遵守以下边界：

先固定数据、标签、特征和时间切分。
训练阶段搜索 model.params、sample_weight 和 train_window。
在选定信号后，再用 strategy backtest grid 检查 top_k、成本、缓冲和权重。
小样本任务可通过 min_cv_ic_valid_folds 排除有效折数不足的试验。
保留完整试验台账，避免只记录表现最好的配置。

运行后检查

至少检查运行摘要和评估产物中的以下字段：

eval.constant_prediction，识别常数预测。
eval.zero_feature_importance，识别全零重要度。
train_ic 与 test_ic，观察训练和测试差距。
backtest_sharpe、换手和成本，判断收益是否具备执行价值。
前推验证和最终样本外证据，判断结果是否跨时间稳定。

正式比较模型时，应统一数据资产、标签、时间切分、成本和组合构造。研究治理要求见 overfitting-controls.md。