@rsxw 你好，目前这一版确实是直接使用了Qlib的alpha158全量因子，没有提前做人工挑选，但在模型上做了比较强的约束（比如 min_data_in_leaf、正则、子样本/子特征采样等），尽量避免“高维因子+ML黑盒拟合”的问题。CSI300上能够做出比较稳定的增强，主要靠两个点：① 大盘蓝筹的噪音比全市场小，alpha158在大市值上本身更稳；②模型约束比较强，重点是提升稳健性，而不是追求回测特别好看。
一些可以分享的经验：alpha158虽然是158因子，但在CSI300上，特征重要性会自然集中到几十个核心因子（波动、流动性、动量一类）；模型训练上尽量使用更长的训练区间+独立验证集，能减少“拟合某几年风格”的风险；行业内保持分散配置，不让模型在少数行业上堆仓；关注模型在不同年份的稳定性，而不是某几年特别亮眼。总体思路是：不用刻意追求复杂，而是让模型“能解释、能跨年份、能跨风格”更重要。如果后面我调出更稳健的特征组合，也会继续更新经验。
2025-12-10
雪球
