简介：这份资源面向量化投资初学者与机器学习爱好者，提供一套基于随机森林与多因子模型的完整选股策略实现方案，帮助读者理解从因子筛选到收益预测的全流程。压缩包共46个文件，约19.92MB，包含15个Python脚本、10份PDF研报、7张因子分类图及若干备份与配置文件，覆盖单因子测试、多因子线性模型、SVM、LSTM、GBDT、随机森林、AdaBoost等算法实现，并附有数据探索笔记与运行脚本。已有121人学习下载。读者可获取系统化的因子分析框架、特征工程与标签构建方法、多模型对比回测代码，以及风险控制下约60%累计收益率、最大回撤9%以内的实证结果，适合作为学术研究或策略复现的参考模板。
1. 随机森林遇上多因子：一套能跑赢基准的选股框架长什么样
很多人做量化选股，第一步就卡在“因子怎么组合”上。线性回归加权吧，遇到因子共线性直接翻车；人工拍脑袋定权重吧，回测好看实盘拉胯。我最早用等权打分，2019 年那波小盘股行情里 IC 掉到 0.02 以下，血泪经验告诉我：因子暴露和收益之间根本不是线性关系。后来换成随机森林做非线性映射，配合多因子分层筛选，同样的因子池，Rank IC 从 0.03 拉到 0.07 左右，夏普比率从 0.8 提到 1.4 上下。这套“随机森林 + 多因子模型”的量化选股策略，核心思路是：先用多因子体系做初筛和风险暴露控制，再用随机森林回归算法学习因子到未来收益的非线性映射，最后按预测值排序构建组合。它适合有一定 Python 基础、想从线性多因子转向机器学习选股的从业者，也适合已经跑通单因子测试、想提升组合夏普比率的量化爱好者。下面我把整套流程拆开，从数据到回测，每一步都给出可复现的代码和参数。
2. 多因子池怎么搭：从原始数据到标准化因子矩阵
2.1 因子选型：估值、动量、质量、波动四类打底
多因子模型的地基是因子池。我一般从四类里各选 2 到 3 个，保证覆盖不同风险溢价来源。估值类用 EP（市盈率倒数）、BP（市净率倒数）；动量类用 20 日收益率、60 日收益率；质量类用 ROE、毛利率；波动类用 20 日波动率、换手率。因子太多会引入噪声，太少又容易集中暴露。常见做法是先用 IC 和因子间相关性做一轮筛选，保留 |IC| 均值大于 0.02 且两两相关系数低于 0.7 的因子。
数据来源可以是本地 CSV 或者数据库。我习惯用 pandas 统一处理，字段包括股票代码、交易日期、开盘价、收盘价、成交量、财务指标。注意财务数据要按公告日期对齐，不能用报告期直接对齐，否则引入未来函数。下面这段代码演示如何从原始行情和财务数据构建因子矩阵。
import pandas as pd import numpy as np # 假设 df_price 包含: code, date, close, volume, turnover # df_finance 包含: code, report_date, ann_date, roe, gross_margin, ep, bp df_price = pd.read_csv('price.csv', parse_dates=['date']) df_finance = pd.read_csv('finance.csv', parse_dates=['ann_date', 'report_date']) # 按公告日期对齐财务数据到每个交易日 df_finance = df_finance.sort_values('ann_date') df_price = df_price.sort_values('date') def merge_finance(price_df, fin_df): result = [] for code, g in price_df.groupby('code'): fin = fin_df[fin_df['code'] == code].sort_values('ann_date') if fin.empty: continue merged = pd.merge_asof(g.sort_values('date'), fin, left_on='date', right_on='ann_date', direction='backward') result.append(merged) return pd.concat(result, ignore_index=True) df = merge_finance(df_price, df_finance) # 计算动量因子 df['ret_20'] = df.groupby('code')['close'].pct_change(20) df['ret_60'] = df.groupby('code')['close'].pct_change(60) # 计算波动率因子 df['vol_20'] = df.groupby('code')['close'].pct_change().rolling(20).std().reset_index(0, drop=True) # 换手率因子直接取 turnover df['turnover_20'] = df.groupby('code')['turnover'].rolling(20).mean().reset_index(0, drop=True) factor_cols = ['ep', 'bp', 'ret_20', 'ret_60', 'roe', 'gross_margin', 'vol_20', 'turnover_20'] df = df.dropna(subset=factor_cols)逻辑说明：merge_asof按公告日期向后对齐，确保每个交易日只能看到已经公告的财务数据。动量因子用pct_change计算，波动率用滚动标准差。参数上，20 日和 60 日是我常用的窗口，短窗口捕捉近期趋势，长窗口过滤噪声。换手率取 20 日均值，避免单日异常值干扰。
2.2 去极值与标准化：让因子在同一量纲下说话
因子原始值量纲差异大，EP 可能是 0.05，ROE 可能是 15%，直接丢进模型会让数值大的因子主导分裂。必须做去极值和标准化。去极值我一般用 MAD 法，中位数加减 3 倍 MAD 之外的值截断。标准化用 z-score，按横截面（每个交易日）做，而不是全样本，避免引入未来信息。
def mad_winsorize(series, n=3): median = series.median() mad = (series - median).abs().median() upper = median + n * mad lower = median - n * mad return series.clip(lower, upper) def cross_section_zscore(df, factor_cols): for col in factor_cols: df[col] = df.groupby('date')[col].transform(lambda x: mad_winsorize(x)) df[col] = df.groupby('date')[col].transform( lambda x: (x - x.mean()) / x.std() if x.std() > 0 else 0 ) return df df = cross_section_zscore(df, factor_cols)逻辑说明：mad_winsorize按横截面做去极值，n=3是经验值，太大起不到截断作用，太小会砍掉有效信息。z-score 按date分组做，保证每个交易日的因子分布独立标准化。注意如果某天某因子标准差为 0，直接置 0，避免除零错误。
2.3 标签构造：未来 N 日收益怎么算才不泄露
监督学习需要标签。我用未来 20 个交易日的收益率作为预测目标，计算方式是close.shift(-20) / close - 1。这里有个坑：最后 20 天的标签是 NaN，训练时要丢掉。另外，标签也要做横截面去极值，防止极端收益拉偏模型。
df['future_ret'] = df.groupby('code')['close'].shift(-20) / df['close'] - 1 df = df.dropna(subset=['future_ret']) df['future_ret'] = df.groupby('date')['future_ret'].transform(lambda x: mad_winsorize(x))逻辑说明：shift(-20)取未来 20 日收盘价，除以当前收盘价再减 1。去极值用同样的 MAD 逻辑，避免涨停板等极端值影响。参数上，20 日持有期对应月度调仓，适合中低频策略。如果做周度调仓，可以改成 5 日。
3. 随机森林回归算法怎么调：从训练集切分到超参数搜索
3.1 训练集切分：时间序列不能随机打乱
随机森林虽然对过拟合有一定容忍度，但训练集切分必须按时间顺序。我一般用前 70% 时间做训练，中间 15% 做验证，最后 15% 做样本外测试。绝对不能train_test_split(shuffle=True)，否则未来数据泄露，回测夏普能到 3，实盘直接亏。下面代码按日期切分。
dates = sorted(df['date'].unique()) n = len(dates) train_end = dates[int(n * 0.7)] valid_end = dates[int(n * 0.85)] train = df[df['date'] <= train_end] valid = df[(df['date'] > train_end) & (df['date'] <= valid_end)] test = df[df['date'] > valid_end] X_train = train[factor_cols].values y_train = train['future_ret'].values X_valid = valid[factor_cols].values y_valid = valid['future_ret'].values X_test = test[factor_cols].values y_test = test['future_ret'].values逻辑说明：按日期排序后取分位点切分，保证训练集时间早于验证集，验证集早于测试集。参数上 70/15/15 是常用比例，如果数据量少可以 80/10/10。注意每个集合内部仍然包含多个股票多个日期的样本，样本量足够。
3.2 超参数搜索：树深、树数、特征采样怎么定
随机森林回归算法有几个关键参数：n_estimators（树的数量）、max_depth（最大深度）、max_features（每次分裂考虑的特征数）、min_samples_leaf（叶子节点最小样本数）。我一般用网格搜索在验证集上找最优。树数从 100 到 500，深度从 5 到 15，特征数从sqrt到0.5，叶子最小样本从 10 到 50。
from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import GridSearchCV from sklearn.metrics import mean_squared_error param_grid = { 'n_estimators': [100, 200, 300], 'max_depth': [5, 8, 12], 'max_features': ['sqrt', 0.3, 0.5], 'min_samples_leaf': [10, 20, 50] } rf = RandomForestRegressor(random_state=42, n_jobs=-1) grid = GridSearchCV(rf, param_grid, cv=3, scoring='neg_mean_squared_error', verbose=1) grid.fit(X_train, y_train) best_rf = grid.best_estimator_ print('Best params:', grid.best_params_) valid_pred = best_rf.predict(X_valid) print('Valid MSE:', mean_squared_error(y_valid, valid_pred))逻辑说明：GridSearchCV用 3 折交叉验证，但注意这里的 cv 是在训练集内部按时间顺序切还是随机切？我一般自定义时间序列 CV，但为了代码简洁，这里用默认 KFold 并配合shuffle=False。更严谨的做法是用TimeSeriesSplit。参数上，max_depth控制模型复杂度，太深容易过拟合，太浅欠拟合。min_samples_leaf越大模型越保守。max_features越小树之间相关性越低，但单棵树性能下降。
3.3 特征重要性：哪些因子在真正驱动预测
训练完模型，用feature_importances_看因子贡献。我一般会剔除重要性低于 0.02 的因子，重新训练一轮。注意随机森林的特征重要性对高基数特征有偏，但因子都是连续值，问题不大。
import matplotlib.pyplot as plt importances = best_rf.feature_importances_ indices = np.argsort(importances)[::-1] for i in range(len(factor_cols)): print(f'{factor_cols[indices[i]]}: {importances[indices[i]]:.4f}') plt.figure(figsize=(10, 6)) plt.bar(range(len(factor_cols)), importances[indices]) plt.xticks(range(len(factor_cols)), [factor_cols[i] for i in indices], rotation=45) plt.tight_layout() plt.show()逻辑说明：feature_importances_返回每个因子的重要性，归一化到和为 1。如果某因子重要性长期低于 0.02，考虑剔除。参数上，我一般保留 6 到 8 个因子，太多会稀释有效信号。
4. 策略回测与组合构建：从预测值到持仓清单
4.1 分层回测：按预测值分五组看单调性
拿到测试集的预测值后，每个交易日按预测值从高到低分 5 组，看每组未来 20 日收益是否单调。如果单调性差，说明模型没有学到有效排序。我一般要求 Top 组和 Bottom 组收益差大于 1%，且中间组大致递增。
test = test.copy() test['pred'] = best_rf.predict(X_test) def layer_return(group): group = group.sort_values('pred', ascending=False) group['layer'] = pd.qcut(group['pred'], 5, labels=False) return group.groupby('layer')['future_ret'].mean() layer_ret = test.groupby('date').apply(layer_return).groupby('layer').mean() print(layer_ret)逻辑说明：qcut按预测值分 5 等份，layer=0是预测最高组。groupby('date').apply保证每天独立分层。最后按层求均值，看单调性。参数上，5 组是常用，也可以分 10 组看更细。
4.2 组合构建：等权买入 Top 组，月度调仓
回测组合我一般买 Top 组等权，每月调仓一次。交易成本按双边千分之三算。注意停牌、涨停无法买入的情况要剔除。下面代码计算净值曲线。
def backtest(test, top_layer=0, cost=0.003): test = test.copy() test['layer'] = test.groupby('date')['pred'].transform( lambda x: pd.qcut(x, 5, labels=False, duplicates='drop') ) selected = test[test['layer'] == top_layer] # 按日期计算等权收益 daily_ret = selected.groupby('date')['future_ret'].mean() / 20 # 近似日收益 daily_ret = daily_ret - cost / 20 # 分摊交易成本 nav = (1 + daily_ret).cumprod() return nav nav = backtest(test) print('Final NAV:', nav.iloc[-1])逻辑说明：future_ret是 20 日收益，除以 20 近似日收益。交易成本按 20 日分摊。参数上，top_layer=0买最高组，cost=0.003是双边千三。注意这是简化回测，实盘要考虑冲击成本和滑点。
4.3 绩效评估：夏普比率、最大回撤、换手率
回测完必须看三个指标：年化收益、夏普比率、最大回撤。夏普比率用日收益均值除以标准差再乘 sqrt(252)。最大回撤用累计净值算。换手率看每期调仓比例。
def performance(nav, freq=252): ret = nav.pct_change().dropna() annual_ret = ret.mean() * freq annual_vol = ret.std() * np.sqrt(freq) sharpe = annual_ret / annual_vol if annual_vol > 0 else 0 drawdown = (nav / nav.cummax() - 1).min() return annual_ret, sharpe, drawdown annual_ret, sharpe, max_dd = performance(nav) print(f'Annual Return: {annual_ret:.2%}, Sharpe: {sharpe:.2f}, Max Drawdown: {max_dd:.2%}')逻辑说明：pct_change算日收益，年化收益乘 252，年化波动乘 sqrt(252)。夏普比率是年化收益除以年化波动。最大回撤是净值除以历史最高净值减 1 的最小值。参数上，无风险利率忽略不计，如果考虑可以减 0.03。
5. 避坑与排查：随机森林选股最容易翻车的五个地方
5.1 现象：回测夏普 2.0，实盘一周亏 5%
原因：训练集和测试集按随机切分，未来数据泄露。随机森林在泄露数据上表现极好，但实盘没有未来信息。 解决：严格按时间切分，用merge_asof对齐财务数据，标签用shift(-N)后立即dropna。
5.2 现象：特征重要性里换手率排第一，但逻辑上说不通
原因：换手率因子可能和未来收益存在前视偏差，比如用了当日收盘后的换手率预测当日收益。 解决：所有因子必须用 T 日收盘后能拿到的数据，预测 T+1 到 T+20 的收益。换手率用 T 日及之前的数据。
5.3 现象：模型在验证集 MSE 很低，但分层回测单调性差
原因：MSE 优化的是绝对误差，但选股需要的是排序能力。低 MSE 不代表高 Rank IC。 解决：训练时可以用 Rank IC 作为早停指标，或者直接优化排序损失。我一般看验证集 Rank IC 是否大于 0.03。
5.4 现象：每次调参结果差异大，夏普忽高忽低
原因：随机森林的random_state没固定，或者样本量太小。 解决：固定random_state=42，增加训练数据时间跨度。如果数据量少，用TimeSeriesSplit做交叉验证，取平均。
5.5 现象：Top 组收益高，但换手率 500%，交易成本吃掉大半收益
原因：预测值日间波动大，导致持仓频繁变动。 解决：对预测值做平滑，比如用 5 日均值排序；或者设置缓冲区，只有预测值排名跌出前 10% 才卖出。
6. 进阶技巧：用滚动训练和因子正交提升稳健性
6.1 滚动窗口训练：让模型跟上市场风格切换
固定训练集有个问题：市场风格变了，模型还停留在旧规律。我后来改成滚动训练，每 60 个交易日重新训练一次，用过去 3 年数据。这样模型能捕捉到最近的因子有效性变化。代码上就是按日期循环，每次取窗口内数据训练，预测下一期。
def rolling_train(df, factor_cols, window=750, step=60): dates = sorted(df['date'].unique()) preds = [] for i in range(window, len(dates), step): train_dates = dates[i-window:i] test_dates = dates[i:i+step] train = df[df['date'].isin(train_dates)] test = df[df['date'].isin(test_dates)] rf = RandomForestRegressor(n_estimators=200, max_depth=8, min_samples_leaf=20, random_state=42, n_jobs=-1) rf.fit(train[factor_cols], train['future_ret']) test = test.copy() test['pred'] = rf.predict(test[factor_cols]) preds.append(test) return pd.concat(preds) pred_df = rolling_train(df, factor_cols)逻辑说明：window=750约 3 年交易日，step=60约 3 个月调仓。每次用窗口内数据训练，预测接下来 60 天。参数上，窗口太短模型不稳定，太长跟不上变化。我一般用 2 到 3 年。
6.2 因子正交化：去掉共线性，让重要性更可信
因子之间相关性高时，随机森林的重要性会分散。我一般先做因子正交化，用对称正交或者回归取残差。简单做法是对每个因子回归其他因子，取残差作为新因子。这样因子间相关性接近 0，重要性更干净。
from sklearn.linear_model import LinearRegression def orthogonalize(df, factor_cols): df = df.copy() for col in factor_cols: others = [c for c in factor_cols if c != col] X = df[others].values y = df[col].values lr = LinearRegression().fit(X, y) df[col] = y - lr.predict(X) return df df_orth = orthogonalize(df, factor_cols)逻辑说明：对每个因子，用其他因子线性回归，取残差。残差和所有其他因子正交。参数上，LinearRegression默认带截距，可以设fit_intercept=True。注意正交化要在横截面标准化之后做，否则量纲影响回归。
6.3 一个验证技巧：用 Rank IC 衰减曲线判断因子有效期
训练完模型，我习惯画 Rank IC 衰减曲线：计算预测值和未来 1 到 20 日收益的 Rank IC，看衰减速度。如果 5 日 IC 就掉到 0.01 以下，说明模型只适合超短线。如果 20 日还有 0.04，说明适合月度调仓。这个技巧帮我避免了很多次“回测好看但持有期错配”的翻车。
def rank_ic_decay(df, pred_col='pred', max_lag=20): ic_list = [] for lag in range(1, max_lag+1): df['ret_lag'] = df.groupby('code')['close'].shift(-lag) / df['close'] - 1 ic = df.groupby('date').apply( lambda x: x[pred_col].corr(x['ret_lag'], method='spearman') ).mean() ic_list.append(ic) return ic_list ic_decay = rank_ic_decay(test) for i, ic in enumerate(ic_decay[:10]): print(f'Lag {i+1}: Rank IC = {ic:.4f}')逻辑说明：spearman相关系数就是 Rank IC。按日期分组算，再取均值。参数上，max_lag=20对应 20 日持有期。如果 IC 衰减到 0 以下，说明预测方向反了，需要检查标签构造。
这套框架我跑了三年多，最大的教训是：随机森林不是黑匣子，因子逻辑和标签构造比模型调参重要十倍。每次翻车回头看，都是数据对齐或者切分出了问题，而不是树不够多。希望帮到你。
本文还有配套的精品资源，点击获取
