因子评价指标：

IC： 相关系数 一般大于0.03比较合适 分组IC： 将股票按因子分n组，按组的因子和组合收益率来算IC或RankIC 加权IC： 按照因子大小排序，然后给予指数衰减的权重，然后加权计算收益率。 用 IC 评价因子效果靠谱吗？ - 知乎 (zhihu.com)

IR（信息比率）:
IC均值/IC方差，描述因子的IC稳定性
一般大于0.5比较合适 RankIC： 排序后的相关系数，corr(‘spearman’) Calmar ratio： 收益/最大回撤，越大越好 Sharp ratio： 超额收益/波动率 分组多空收益率： 查看分组收益情况 正确率： 因子历史的ic方向与均值ic方向相同的占比

为什么用Lightgbm，优点在哪：

  1. 决策树模型，能够捕捉非线性特征：
    • 算出来的因子ic不高，不是强线性的
  2. 速度更快，内存更小：
    • 使用直方图bin进行数据划分，而不像xgboost用数据点，不用记住每个样本的特征点，只用记得bin的分割点；
    • 因此数据更快，消耗内存更小，缓存友好；

一篇文章搞定GBDT、Xgboost和LightGBM的面试 - 知乎 (zhihu.com)

从面试的角度来了解GBDT,XGB,Lightgbm - 知乎 (zhihu.com)

怎么做的：

  1. 因子挖掘；
  2. 因子检验，处理，归一化；
  3. 训练集、测试集划分； 大概千万级别的数据