【自动调参】年化29.3%，最大回撤18.5%：lightGBM的参数优化

原创文章第570篇，专注“AI量化投资、世界运行的规律、个人成长与财富自由"。

研报复现继续：【研报复现】年化27.1%，人工智能多因子大类资产配置策略之benchmark

昨天调了一版参数，主要是lambda_l1, lambda_l2，防止过拟合的，有明显的效果：年化29.3%，最大回撤18.5%，还有继续优化的空间。

def train(df_train, df_val, feature_cols, label_col='label'):model = LGBMRegressor(boosting='gbdt',  # gbdt \ dartn_estimators=600,  # 迭代次数learning_rate=0.1,  # 步长max_depth=10,  # 树的最大深度seed=42,  # 指定随机种子，为了复现结果num_leaves=250,# min_split_gain=0.01,lambda_l1=2,lambda_l2=2000)

目前使用的是GridCV网格参数搜索：

ef adj_params(X_train, y_train):"""模型调参"""params = {# 'n_estimators': [100, 200, 300, 400,500,600,700,800],# 'learning_rate': [0.01, 0.03, 0.05, 0.1],'max_depth': range(10, 64, 2),# 'lambda_l1': range(0,3),# 'lambda_l2':[200,400,800,1000,1200,1400,1600,2000]}other_params = {'learning_rate': 0.1, 'seed': 42, 'lambda_l1': 2, 'lambda_l2': 2000}model_adj = LGBMRegressor(**other_params)# sklearn提供的调参工具，训练集k折交叉验证(消除数据切分产生数据分布不均匀的影响)optimized_param = GridSearchCV(estimator=model_adj, param_grid=params, scoring='r2', cv=5, verbose=1)# 模型训练optimized_param.fit(X_train, y_train)# 对应参数的k折交叉验证平均得分means = optimized_param.cv_results_['mean_test_score']params = optimized_param.cv_results_['params']for mean, param in zip(means, params):print("mean_score: %f,  params: %r" % (mean, param))# 最佳模型参数print('参数的最佳取值：{0}'.format(optimized_param.best_params_))# 最佳参数模型得分print('最佳模型得分:{0}'.format(optimized_param.best_score_))

后续考虑使用hyperopt以及gluon来调参：

ModelTrainer：基于AutoGluon的多因子合成AI量化通用流程

代码与数据均在星球更新：

AI量化实验室——2024量化投资的星辰大海

吾日三省吾身

昨天有同学留言说，现在这后半段有点鸡汤了。

我向来反感和警惕鸡汤，因此，我仔细反思了一下。

当下的大环境，大家越发渴望确定性，希望快速成功，赚钱，获得安全感。

但如果想听真话的话——这个世界没有“速成”之说。

成功也没有秘籍——没有武侠小说里，那种猴子肚子里掏出一本书，然后几天内达到别人30年的功力，然后年纪轻轻就独步天下——没有。

所谓心得，其实都是显学。

理财——多多储蓄，坚持长期投资，保持耐心。——没有了。