第4名解决方案

更新

我们在以下notebook中发布了代码：
https://www.kaggle.com/code/flat831/4th-place-model/notebook?scriptVersionId=100052889

感谢JPX分享数据并主办这场有趣的比赛。感谢Kaggle。感谢Kagglers分享许多有帮助的讨论和notebook。感谢我的队友，K-azu 和 hayato03！

模型摘要

我们的模型非常简单。老实说，这个结果主要靠运气。

模型1 (私有分数: -0.196)
按 return_1day 升序排列。
如果 ExpectedDividend 大于 0，将其排在最后（最低）。

模型2 (私有分数: 0.347 <- 这个模型获得了第4名！)
按 return_1day 降序排列。
如果 ExpectedDividend 大于 0，将其排在最后（最低）。

return_1day 基于此 notebook 中的代码。
return_1day = feats["AdjustedClose"].pct_change(1)

以下是采用此方法的简要原因说明。

模型评估的困难

https://www.kaggle.com/competitions/jpx-tokyo-stock-exchange-prediction/discussion/320323

正如上面的讨论所指出的，随机模型的分数可以近似为 μ = 0 和 σ = 0.13785 的正态分布。因此，即使我们创建了一个分数为 -0.3~0.3 的模型，我们也无法假设它是一个好模型。此外，如果我们创建许多模型，偶然获得好分数的概率就会增加。（就像统计学中的多重比较问题）
最后，我们放弃了创建机器学习（ML）模型，决定提交一个简单的方法以避免错误。

预期股息

我们采用这个变量是因为我们确信它会有效。

ExpectedDividend 列的定义如下。

除权日的预期股息值。该值记录在除息日前2个交易日。

而且，target 列的定义如下。

t+2 和 t+1 之间调整后收盘价的变化比率，其中 t+0 是交易日期。

因此，由于 t+2 是除息日，t+1 是股权登记日，target 很可能为负。
（然而，由于 ExpectedDividend 几乎都是空值，仅靠这一点无法获得高分……）

翻转排名

https://www.kaggle.com/competitions/jpx-tokyo-stock-exchange-prediction/discussion/356038

正如上面的讨论所指出的，翻转排名，我们得到的分数乘以 -1。在比赛中，我们可以选择两个模型，所以采用这种策略将确保分数 > 0。