数据获取以及预处理

采用的数据指标为社区的多因子系列之一的因子库的因子，包括估值因子，规模因子，杠杆因子，技术因子，动量因子，成长因子，市值因子，因变量为下个月的涨跌幅情况。具体因子和含义可看下面解释：

部分因子展示

在训练集的股票选择上，选择为当月的全部A股，剔除ST，上市不足三个月以及下月月末停止交易的股票，具体代码可查看如下：

部分代码展示（完整查看文末）

部分代码展示（完整查看文末）

回测期间为2014年至2016年共计三年的时间段的每月月末的数据，每做一次预测，根据训练周期前推月份获取数据，然后对数据进行异常值处理，缺失值处理，市值中性化，行业标准化，标准化处理。在这里为起到到对照作用选用的训练周期有6个月和72个月。在进行滚动预测，选用的预测方法包括朴素贝叶斯，随机森林，支持向量机（SVM）全连接神经网络，极端梯度提升树（XGBOOST），旨在对各种方法进行比较故这里各模型均不考虑调参因素。

将每个时间段的训练集数据进行滚动处理，然后存起来：

部分代码展示（完整查看文末）

模型建立以及滚动回测

这部分参考研报的方法的方法将训练集分为6个月的训练周期和72个月的训练周期于204年一月至2016年的十二月进行滚动预测，每月根据预测结果进行调仓，每月第一个交易日卖出当前持有所有股票，根据预测结果在当日购买预测概率前100支股票，各股购买比例为预测概率的加权平均和。

部分代码展示（完整查看文末）

2.1 以六个月为训练周期

2.2 以72个月为训练周期

Stacking集成学习

通常情况下，Stacking 中第一层的模型会使用拟合度高的模型，以追求对训练数据的充分学习（如XGBoost、神经网络、SVM 等）。由于不同的模型在原理上和训练集上有所差别，第一层模型可以认为是从原始数据中自动提取有效特征的过程。第一层模型中，由于使用了复杂的非线性变化提取特征，Stacking 更易产生过拟合的情况。为了降低过拟合的风险，第二层模型倾向于使用简单的模型，例如逻辑回归、Lasso 回归等广义线性模型。从以上分析可以看出，Stacking 能够成功的关键在于第一层模型能针对原始训练数据得出有差异性（相关性低）且预测能力好的输出值，这样通过第二层模型进一步学习后，能够在多个第一层模型中取长补短，提升预测的准确度和稳定性。在传统的stacking集成学习中，第一层都使用相同的训练集数据，它们从不同的角度对相同的训练数据进行学习，得到具有差异性的输出值，再通过第二层的逻辑回归得到输出值。该框架主要应用于一些训练和预测数据同分布的传统领域，如图像分类。

根据研报的想法，采用的是一种改进的集成学习框架，框架的第一层不仅使用不同的模型，还使用有差异的训练数据，这进一步增大了模型输出值之间的差异性（相关性低），这样的差异性往往适合于训练数据和预测数据是不同分布的领域，可以增强预测的稳定性，如金融数据的预测。如下图：

出于时间考虑，就不对各种模型进行尝试，根据研报最后得出的结论，将6个月为训练集的logistics和72个月的训练集的XGB在第一层进行训练，然后第二层选用logistic模型进行stacking集成。

部分代码展示（完整查看文末）