ubiquant九坤量化金牌方案解讀

九坤投資ubiquant是目前國內成立最早、投資管理經驗最為豐富的多策略量化私募基金管理人之一。公司投研和技術團隊核心成員90%+畢業於清華、北大、上海交大、復旦、斯坦福等國內外知名院校，且在華爾街知名對衝基金、全球頭部科技公司、國內知名互聯網企業擁有多年工作經驗。

2022年1月，九坤聯合kaggle舉辦A股股票預測大賽，目的是預測股票未來短期的收益。比賽官網地址： Ubiquant Market Prediction | Kaggle 。

1）背景介紹

無論你的投資策略如何，金融市場都會出現波動。儘管存在這種差異，但專業投資者仍試圖估計其整體回報。風險和回報因投資類型和其他影響穩定性和波動性的因素而異。為了嘗試預測回報，金融市場交易有許多基於計算機的算法和模型。然而，有了新的技術和方法，數據科學可以提高定量研究人員預測投資回報的能力。

2）數據特點

這場比賽的數據是基於A股真實的交易數據，不過所有數據都做了匿名處理。數據乾淨無缺失，結構清晰且簡單，盡大可能的方便選手進行建模。

• 時間列表

time_id代表時間，0代表第0天，其它類似。時間雖是匿名的，不過時間0-1219代表2014-2018年。

• 股票列表

investment_id代表股票ID；比賽數據的股票數量隨着時間推移，股票數量是增多的，其原因是A股市場不斷增加新股。紅框數據的股票比較少，是因為九坤官方提出了部分不想要的股票數據。

雖説investment_id是匿名的，但還是有辦法破解的。利用A股真實交易數據，計算A股股票收益和九坤給出數據的target的相關性，每次匹配選出最相關的映射，剔除後再重新匹配，循環遍歷即可。 Ubiquant Market Prediction | Kaggle

• 因子特徵

九坤比賽給出了300個匿名的特徵，這些特徵我嘗試去破解，把alpha101因子庫和自己的因子庫和它的特徵去匹配，但是結果很沮喪，一個都沒匹配出來。這些特徵是匿名的，也是九坤對其研究成果的一個保護。

• target

target也是匿名的，是對短期收益數據的變換，具體變換規則無從知曉。

3）解決方案

這場比賽目前僅有少數隊伍公佈瞭解決方案，詳細解讀下供大家參考。

• 第一名方案

原始鏈接： Ubiquant Market Prediction | Kaggle

特徵：原始的300匿名因子+100個按照time_id group的mean因子

features = [f'f_{i}' for i in range(300)]
corr = train_df[features[:] + ['target']].corr()['target'].reset_index()
corr['target'] = abs(corr['target'])
corr.sort_values('target', ascending = False, inplace = True)
best_corr = corr.iloc[3:103, 0].to_list()
time_id_mean_features = []
for col in tqdm(best_corr):
   mapper = train_df.groupby(['time_id'])[col].mean().to_dict()
   train_df[f'time_id_{col}'] = train_df['time_id'].map(mapper)
   train_df[f'time_id_{col}'] = train_df[f'time_id_{col}'].astype(np.float16)
   time_id_mean_features.append(f'time_id_{col}')
features += time_id_mean_features

採樣：使用訓練樣本的前2400000行

驗證：kfold和groupkfold

模型：lightgbm和tabnet

• 第三名方案

原始鏈接： Ubiquant Market Prediction | Kaggle

特徵：300原始特徵

模型：6層transformer，自定義的pearson loss函數，10epoches

數據：特徵維度上用0隨機替代；序列維度上隨機遮掩特徵

• 第五名方案

原始鏈接： Ubiquant Market Prediction | Kaggle

數據：使用timeid>599的樣本訓練，去除127個target異常的數值

特徵：300原始特徵

模型：4層mlp

驗證：purged cv, 20fold，gap為10

• 第七名方案

原始鏈接： Ubiquant Market Prediction | Kaggle

特徵：300原始特徵+600維作者基於經驗做的特徵工程，這裏作者表示不可泄露

模型：lightgbm

• 我們的方案

這場比賽我打了兩個月，花費了不少精力，最後和richard, lafoss大神組隊。最終排名86/2893，不太理想。總體感覺量化比賽比一般表格賽的難度要大，平穩性明顯差很多，更加考驗參賽者的建模能力。

數據：train+supplement

特徵：原始300維特徵

驗證：cpcv和timeseries split方法

模型：transformer、NN模型融合；lgb因為LB效果太差，放棄過早，沒有深入研究。

整理不易，供老師們參考，歡迎一鍵三連~