前言¶
在量化策略开发中，因子挖掘与模型评估是两个环环相扣的环节：先构造因子，再训练模型，最后回测效果。传统做法通常是手动写回测脚本，每个环节都要重复造轮子，调试与迭代效率较低。需要一个工具能把因子工程、模型训练和评估流程串起来，减少重复工作。
这是什么¶
机器学习选股模型是一个基于 XGBoost、LightGBM 和 Ridge 的选股策略 Skill，由社区用户 user_053d27d0 发布，分类为 professional。它用 20 个因子特征作为输入，通过滚动训练和五分位回测，对选股效果进行评估。整体定位是一个量化策略评估框架，而不是一个完整的交易系统。
核心功能¶
1. 因子特征工程¶
Skill 使用 20 个因子特征作为输入。这些因子在模型训练前需要准备好，Skill 负责将特征与模型结合，不做特征构造的细节说明。
2. 多模型滚动训练¶
模型部分支持三种算法：
- XGBoost
- LightGBM
- Ridge
滚动训练意味着模型会按时间窗口进行周期性重训练，而不是一次性训练。这种方式可以捕捉市场状态的动态变化，避免模型在长时间后过拟合。
3. 五分位回测¶
五分位回测将样本按模型预测值分为 5 组，分别计算每组在后续时间段内的收益表现。通过对比不同分位的收益率，可以直观评估模型预测能力的区分度。
4. IC 评估¶
信息系数（IC）是衡量因子或模型预测能力的重要指标，通常计算预测值与实际收益的相关系数。Skill 提供了 IC 评估能力，用于量化模型的有效性。
安装与启用¶
Skill 由社区提供，需要通过 SkillHub 平台安装。安装命令与启用方式取决于你使用的客户端（Cursor / Codex CLI / Claude Code）。
安装¶
在 SkillHub 官网页面（https://www.skillhub.cn/skills/user_053d27d0/ml-alpha-zx）点击安装按钮，按客户端提示完成安装。
使用¶
安装完成后，在支持的客户端中通过名称或标签搜索该 Skill，即可在对话中调用。
典型用法¶
Skill 使用的是通用 SKILL.md 格式，调用时需要按照文档说明提供必要参数。文档中未给出具体调用示例，因此这里只列出需要准备的内容：
- 准备 20 个因子特征数据，确保字段名与模型要求一致。
- 在客户端中调用 Skill，按提示输入特征数据或配置参数。
- Skill 会根据配置的模型类型（XGBoost/LightGBM/Ridge）和滚动训练窗口进行训练。
- 回测完成后，查看五分位收益率和 IC 指标。
适用场景与注意¶
适用场景¶
- 已有因子池，需要快速验证组合策略的量化研究者。
- 需要对比不同模型（XGBoost/LightGBM/Ridge）效果的策略开发。
- 希望通过滚动训练适应市场动态变化的策略。
注意事项¶
- Skill 不提供因子构造和清洗功能，需要自行准备数据。
- 滚动训练的时间窗口需要根据数据特征和交易频率进行调整。
- 五分位回测结果仅供参考，不能直接作为实盘依据。
- 需要确保客户端能够正常访问 SkillHub 的服务。
短结尾¶
机器学习选股模型提供了一个从因子特征到模型训练、回测与评估的完整流程，适合在量化策略开发中使用。官方地址：https://www.skillhub.cn/skills/user_053d27d0/ml-alpha-zx
