第9名方案 - 推理

大家好，

首先，我想感谢这次比赛中的每一个人，对我来说这是一段很棒的旅程，我也非常高兴能第一次赢得金牌。

其实我很早就分享了我的推理notebook。现在我想介绍一下它的一些细节。

最重要的特征：Hull移动平均线

我最有价值的特征是Hull移动平均线：

def moving_average(a, n=3) :
    ret = np.cumsum(a, dtype=float)
    ret[n:] = ret[n:] - ret[:-n]
    return np.append(np.array([1]*n), ret[n - 1:] / n)[1:]

#@jit(nopython=True)
def calcHullMA_inference(series, N=50):
    SMA1 = moving_average(series, N)
    SMA2 = moving_average(series, int(N/2))
    res = (2 * SMA2 - SMA1)
    return np.mean(res[-int(np.sqrt(N)):])

row["hull"] = last_close - calcHullMA_inference(f[asset]["all_close"][-260:], 240)

滞后特征与窗口大小

关于创建滞后特征的另一个重要注意事项是窗口大小的选择。我使用斐波那契数列来选择我的窗口：fibo_list = [55, 210, 340, 890, 3750]。你可以在notebook中看到这一点。

滞后目标特征

关于我的特征的最后一个重要解释是使用滞后目标。起初我尝试使用官方的计算方法，但后来我放弃了，转而使用了这个：

row["target_return"] = (last_close / f[asset]["all_close"][-16]) -1

作为一个市场指标，我收集了每一批次的新“target_return”，并取最后可用列表的平均值。

模型策略

关于我的工作最后一个重点是模型。我有3个不同的LightGBM模型，分别针对不同的市场情况进行训练：上涨市场、下跌市场和相对稳定的市场。然后我取了它们的平均值。

改进思路

我思考了如何改进我的模型。首先是：我可以进行参数优化，我几乎使用了默认参数。其次，我可以添加不同类型的模型，我想我的提交时间大约是6小时。最后，我脑海中其实还有更多的特征想法。

好的，再次感谢大家.. 下次比赛见。