RF 小市值增强策略

随机森林（Random Forest）

集成学习方法（Ensemble Learning）是一种机器学习技术，旨在通过组合多个基本模型（弱学习器或基学习器）的预测来提高整体性能和泛化能力。集成学习的核心思想是，通过结合多个模型的意见和决策，可以减少单个模型的误差，并在各种不同情况下获得更稳健的结果。集成学习方法通常比单个模型更强大，适用于各种机器学习任务，包括分类、回归和聚类等。

随机森林属于集成学习的一种，通过集成学习的 Bagging 思想将多棵树集成的一种算法：它的基本单元就是决策树。随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。例如，如果你训练了5个树，其中有4个树的结果是 True，1个数的结果是 False，那么最终投票结果就是 True。

随机森林原理

随机森林的数学原理涉及到随机抽样、特征选择、决策树构建和集成方法。

随机抽样

首先介绍自助采样法（bootstrap），如果我们有个大小为 N 的样本，我们希望从中得到 m 个大小为 N 的样本用来训练。那么我们可以这样做：首先，在 N 个样本里随机抽出一个样本 x1，然后记下来，放回去，再抽出一个 x2，……，这样重复 N 次，即可得到 N 的新样本，这个新样本里可能有重复的。把上面的方法重复 m 次，就得到了 m 个这样的样本。实际上就是一个有放回的随机抽样问题。每一个样本在每一次抽的时候有同样的概率（1/N）被抽中。

随机森林的 Bagging 基于自助采样法这种方法，将训练集分成 m 个新的训练集，然后在每个新训练集上构建一个模型，各自不相干，最后预测时我们将这 m 个模型的结果进行整合，得到最终结果。这个过程引入了数据的随机性，使得每棵决策树的训练数据都略有不同。

特征选择及决策树的构建

在每次决策树节点的分裂过程中，随机森林引入了特征的随机性。

决策树是用树的结构来构建分类模型，在每棵树中仅考虑有限数量的特征来拆分节点。假设总共有 M 个特征，从这些特征中随机选择 m 个特征来构建决策树。每个节点代表着一个属性，根据这个属性的划分，进入这个节点的子节点，直至叶子节点，每个叶子节点都表征着一定的类别，从而达到分类的目的。

那么决策树在每个节点是如何选择特征的呢？下面介绍决策树选择特征的几个指标。

信息增益

表示得知特征 X 的信息而使得类 Y 的信息的不确定性减少的程度。一般而言，信息增益越大则意味着用属性 a 来进行划分所获得的"纯度提升"越大。

著名的 ID3 决策树学习算法就是以信息增益为准则来选择划分属性。但 ID3 算法只适用于分类任务中，且该算法生成的树容易产生过拟合（因为 ID3 只有树的生成没有剪枝）。

信息增益比

又称为增益率。根据"信息增益"选择属性并划分结点存在一个问题：对可取值数目较多的属性有所偏好，比如"性别"只能取"男"或"女"，而"年龄"可以取任意整数，则信息增益会偏好选择"年龄"作为属性进行结点划分，这就使得信息增益和熵之间的初衷产生了矛盾，而"增益率"通过在信息增益的基础上引入 IV 解决这一问题。IV 称为属性 a 的"固有值"，可以看到属性 a 的可能取值数目越多（即 V 越大），则 IV(a) 的值越大，导致"增益率"越小。

C4.5 决策树是对 ID3 算法的改进，C4.5 算法采用信息增益比进行特征选择。

基尼指数

基尼指数与"信息增益"类似。不同于用"信息熵"度量不存度，它利用基尼值。直观来说，Gini(D) 反映了从数据集 D 中随机抽取两个样本，其类别标记不一致的概率。因此，Gini(D) 越小，则数据集 D 的纯度越高。CART 决策树采用基尼指数进行特征选择。

集成方法

在随机森林中，多个决策树的结果被集成以进行分类或回归。对于分类问题，最终的分类结果是通过多数投票法来确定；对于回归问题，最终的回归结果是多个决策树的预测结果的平均值。

策略执行流程

数据基础

• 训练数据：2020-01-01 至 2023-11-30 全市场 A 股日线数据
• 特征工程：构建 14 个量价及衍生特征，含 3/5/10/20 日收益率、5/10/20 日波动率、成交额均值、价格波动幅度、成交额比率、波动率比率、动量强度
• 标签定义：个股未来 5 日收益率跑赢当日全市场中位数为 1，否则为 0
• 数据处理：剔除特征或标签含缺失值的样本

随机森林模型训练与预测

模型训练：

• 训练方式：初始化阶段一次性训练
• 核心参数：n_estimators=250, max_depth=15, min_samples_split=80, random_state=42, n_jobs=-1
• 特征处理：训练集数据标准化后输入模型

预测逻辑：

• 特征提取：调仓日提取个股当日 14 个量价特征
• 标准化：沿用训练集拟合的标准化器处理特征
• 输出结果：个股未来 5 日跑赢全市场中位数的分类预测值（1/0）

股票池构建

• 非 ST、非停牌、非科创板、非北交所
• 上市天数 > 252 天
• 流通市值 > 5 亿

选股逻辑

• 优先筛选：预测值为 1 的个股
• 排序方式：流通市值升序
• 持仓数量：前 5 只
• 兜底规则：无预测值为 1 的个股时，直接选取流通市值最小的 5 只

交易执行

• 调仓周期：每 5 个交易日
• 仓位管理：目标标的等权配置
• 交易规则：卖出非目标持仓，按开盘价下单；买入成本 0.03%，卖出成本 0.13%（最低 5 元/笔）
• 业绩基准：沪深 300 指数（000300.SH）

回测结果

模型学习时间为 2020 年 1 月 1 日 - 2023 年 11 月 30 日，回测时间为 2024 年 2 月 1 日 - 2025 年 12 月 2 日

改进方向

• 模型优化：特征大部分集中于量价及其衍生特征，可以加入更多特征进行训练如市场情绪因子（舆情情绪指数）、资金面特征（北向资金持仓占比）等
• 模型改进：采用滚动训练（如每 3 个月更新模型），适配市场风格变化，但是会增加算力消耗，一次性训练全量市场数据可能更为现实
• 策略优化：在随机森林训练的基础上可以叠加其他收益更好的策略进行尝试，如结合动量/低波动因子加权排序，或者新增基本面特征（如营收增速、净利润增速等）进行筛选
• 风控增强：加入止损规则（如单只个股亏损超 10% 强制卖出）或行业分散约束