4、标签构造：如何定义“好股票”？未来N日收益率排序。相对排名与分组标签。
好，咱们进入实战环节最核心的一步——标签构造。
说白了，就是回答一个问题：到底什么样的股票，才算“好股票”？
你想想看，如果连好坏都定义不清楚，模型学出来的东西肯定跑偏。我在早期做量化的时候，就犯过这个错。直接用未来N日的绝对收益率当标签，结果模型学了一堆“垃圾股”的特征——因为那些小盘妖股短期涨得猛，但风险也大。后来我痛定思痛，改用排序和分组的思路，效果才稳定下来。
4.1 为什么不用绝对收益率？
绝对收益率，比如“未来5天涨了10%”，看起来直观。但问题在于：
- 市场环境不同：牛市里大部分股票都涨，熊市里大部分都跌。模型如果只学绝对收益，会把“市场Beta”当成“个股Alpha”。
- 极端值干扰：一只股票因为重组连续涨停，收益率100%，另一只正常涨了5%。模型会拼命去拟合那个100%的异常点，反而忽略了常态。
- 不可比性：不同时间点、不同板块的股票，收益率分布差异巨大。直接拿数值去训练，模型会“晕头转向”。
所以，我个人习惯的做法是：放弃绝对数值，改用相对排序。
4.2 核心思路：未来N日收益率排序
具体怎么做？很简单：
- 在每一个调仓日（比如每月第一个交易日），计算所有候选股票的未来N日收益率（比如未来20个交易日）。
- 然后，按收益率从高到低排序。
- 排名越靠前，说明这只股票在未来一段时间内，相对其他股票表现更好。
这样做的好处是：去掉了市场整体的影响。不管大盘涨跌，我们只看股票之间的相对强弱。模型学到的，是“哪些特征的股票更容易跑赢同行”，而不是“哪些股票容易跟风大盘”。
核心公式：
标签 = rank(未来N日收益率) / 总样本数
这样标签值在0到1之间，0代表最差，1代表最好。方便模型统一处理。
4.3 相对排名 vs 分组标签
有了排序之后，我们有两种常见的标签构造方式：
| 方式 | 说明 | 适用场景 |
|---|---|---|
| 相对排名 | 直接用排序后的百分位数作为标签（0~1连续值） | 回归模型（如LightGBM回归、神经网络） |
| 分组标签 | 将股票分成若干组（如5组、10组），每组赋予离散标签 | 分类模型（如逻辑回归、分类树）或排序学习模型（LambdaRank） |
我个人更推荐分组标签。为什么？
因为连续排名虽然信息量大，但模型容易过拟合到细微的排名差异上。比如排名0.51和0.52，其实差别不大，但模型会拼命去区分它们。分组之后，我们只关心“这只股票属于前20%还是后20%”，模型学到的模式更鲁棒。
我的经验：分组数量一般取5组（Quintile）或10组（Decile）。5组比较粗，适合样本量不大的情况；10组更精细，适合股票数量多的市场（比如A股4000+只）。
4.4 代码实现：从收益率到分组标签
嗯，这里我直接给一段核心代码。假设你已经有了一个DataFrame，包含每只股票在每个调仓日的未来20日收益率。
import pandas as pd
import numpy as np
def create_rank_labels(df, date_col='date', code_col='code', ret_col='fwd_20d_ret', n_groups=5):
"""
构造分组标签
df: 包含日期、股票代码、未来收益率的DataFrame
n_groups: 分组数量，默认5组
"""
df = df.copy()
# 按日期分组，在每个调仓日内部排序
df['rank'] = df.groupby(date_col)[ret_col].rank(method='first', ascending=True)
df['group'] = df.groupby(date_col)['rank'].transform(
lambda x: pd.qcut(x, q=n_groups, labels=False, duplicates='drop')
)
# 注意：pd.qcut的标签是0,1,2,...,n_groups-1
# 0代表最差组，n_groups-1代表最好组
# 我们通常希望标签越大代表越好，所以可以反转
df['label'] = n_groups - 1 - df['group']
return df[['date', 'code', 'ret', 'rank', 'group', 'label']]
# 使用示例
# result = create_rank_labels(raw_data, n_groups=5)
# result['label'] 就是我们要的标签，0最差，4最好避坑指南：
我曾经遇到过一个问题：某一天所有股票的收益率都一样（比如停牌日），导致pd.qcut报错。所以建议在分组前，先检查一下该日是否有足够的收益率差异。如果差异太小，可以跳过该日，或者用随机排序打破平局。
4.5 标签构造的完整流程
为了让你更直观地理解，我画了一张流程图。这张图展示了从原始数据到最终标签的完整链路。
4.6 分组标签的进阶技巧
有了基础的分组标签，我们还可以做一些优化：
- 加权分组：不是简单等分，而是根据收益率的大小赋予不同权重。比如收益率最高的1%单独成一组，剩下的再等分。这样可以捕捉极端收益。
- 动态分组：市场波动大的时候，分组可以多一些（比如10组）；市场平稳的时候，分组少一些（比如5组）。
- 多周期标签：同时构造未来5日、20日、60日的分组标签，让模型学习不同时间尺度下的选股能力。
一个小技巧：如果你用的是排序学习模型（比如LambdaRank），可以直接用pairwise的排序对作为标签。也就是说，不关心具体分组，只关心“股票A是否比股票B好”。这样模型更专注于相对关系，效果往往更好。
好了，标签构造这部分就讲到这里。记住一句话：好的标签，是成功模型的一半。花时间把标签定义清楚，后面模型训练会省很多力气。