|
Ai模型的评估 之前文章标题取得太随意了，从这一篇开始改一下。 上一篇说到Ai模型与传统量化模型的区别，那么Ai模型一定比传统量化模型好吗？不见得。 判断模型好坏，还是要设立一个评估方法。有了评估方法，才能进行比较。 评估方法可以简单到只有一个指标，也可以设计得更加复杂。假如只有一个指标，那么最常用的就是准确率(Accuracy）。在传统量化模型中，模型输出的是预期会上涨的股票，那么准确率指的就是在一段时间内，对股票涨跌判断正确的比例。 用准确率的时候要注意几点： 分母要一致，这样才有比较的基础。 股票池不能太小，股票池太小，就没有统计价值 时间不能太短，同样时间太短的话，就没有统计价值。 基于这几点，可以这么设计，100个股票的股票池，2年的交易日，评估其准确率。如果做指数的模型，那么股票池就一个指数，那就只能把时间拉长了。 对于Ai模型，其实是一样的，100个股票的股票池，每天预测，最后做统计，用判断对的股票数量除以2年的总数即可。 做Ai模型的时候，有训练集，测试集，还有用于回测的数据集。在传统的量化模型中，没有训练集，有人把测试集和回测数据集合并，做出模型后直接进行回测，然后根据回测结果去调整各种参数，然后再回测，这种方式是错误的。 正确的做法是，同样要设定测试数据集和回测数据集，用测试集来评估模型的准确率，达标之后再去回测。这些数据集也是有一些讲究的，这些讲究我将在后面讲数据集的时候再详细讲。 上一篇的例子中提到，传统的量化选出20个要上涨的股票后，可能会进一步地筛选，找出更好的股票。那么有必要对这一部分股票进行评估。这一部分的股票数量不定，评估起来比较麻烦，可以通过选出的数量和准确率同时进行评估。比较理想的状态当然是数量又多，准确率又高，但是现实往往相反。 数量也不能太少，太少则有可能是拟合了某些特定的行情，从而在未来的实战中效果大打折扣。所以在数量和准确率上面要取得一个平衡。 Ai模型往往是通过概率进行排序，有的人会选取某个概率之上的股票来评估，但是这又犯了第一个错误，就是分母不一致。为了分母一样多，需要用到分位数。 AUC也是一个很好的评估指标，AUC的意义是正样本被预测为正的概率（预测对了）大于负样本被预测为正例（预测错了）的概率。在量化中，这个值越大，就是本来要涨的股票确实被模型预测出为涨的概率越高。我还尝试过很多其他的评估方式，最后还是返璞归真，觉得最简单，最质朴的指标比如Acc，Auc才是最有用的。 评估出来的值不是很高也不要气馁，我也见过不少评估值不高的模型，但还能赚钱。关键在于怎么使用模型的输出，这点其实比模型更重要。  |
|
|
