深圳融克迪特科技有限公司

一、本讲目标

到了事件驱动任务，CatBoost 的优势会比普通因子表更明显，因为事件样本天然混合了大量离散信息：事件类型、披露时点、行业、公告状态、修订类型、是否超预期，几乎没有哪一列是纯粹连续的。

这一讲要解决的是：怎样把财报和公告这类事件信息整理成一张适合 CatBoost 训练的事件样本表。

你需要完成四件事：

1. 明确事件样本的观测时点和标签窗口。
2. 区分“事件本身的信息”和“事件发生时的市场背景”。
3. 学会把公告、财报、价格快照拼成统一样本。
4. 避免最常见的时间对齐错误。

二、环境准备：事件驱动样本和普通日频样本有什么不同

普通日频建模通常是一日一行、资产重复出现。事件驱动样本不一样，一行更像“一次事件”。

例如一条业绩预告样本，至少要回答下面几个问题：

• 事件是什么时候披露的。
• 披露发生在盘前、盘中还是盘后。
• 这个事件属于什么类型。
• 事件发生前，标的所处的行业、流动性、波动率是什么状态。
• 你希望预测的是事件后 1 天、3 天还是 5 天的结果。

如果这些边界不先说清，事件样本最容易出现的问题就是：用到了披露之后才知道的数据，或者把盘后公告错误并到了当日盘中可交易样本里。

三、操作步骤：把财报和公告整理成 CatBoost 可训练样本

事件驱动最怕的不是特征不够多，而是时间线不够清楚。你可以先把样本构造拆成下面几个固定动作，每一步都只解决一个问题。

3.1 第一步：先定义事件时间

事件驱动任务里，时间戳不能只保留日期，最好保留到“披露发生在交易时段的哪个位置”。至少要分清：

• 盘前披露
• 盘中披露
• 盘后披露
• 非交易日披露

因为这会直接决定你的标签起点。

例如：

• 盘前公告，可以从当日开盘后开始统计事件后收益。
• 盘后公告，更合理的起点通常是下一个交易日开盘或收盘。

如果把这两类样本混在一起按同一标签规则处理，模型学到的不是事件影响，而是错位的收益响应。

3.2 第二步：拆成三类特征

一张稳的事件样本表，通常至少包含三类特征。

第一类是事件自身特征：

• event_type
• report_quarter
• announcement_session
• is_revision
• surprise_direction

第二类是事件前市场背景：

• 近 20 日波动率
• 近 20 日换手率
• 事件前 5 日、20 日收益
• 所属行业
• 市值分层

第三类是上下文辅助信息：

• 距上一次同类公告的天数
• 当日是否临近行业密集披露窗口
• 最近是否刚经历停牌、问询或重大事件

这三类特征分别回答的是：发生了什么、发生时市场处在什么状态、这个事件是不是特殊情形。

3.3 第三步：标签不要只盯单一天收益

事件驱动里，标签往往不只一种。

你可以做：

• 事件后 1 日收益
• 事件后 3 日超额收益
• 事件后 5 日是否跑赢行业基准
• 事件后 10 日最大回撤是否超阈值

CatBoost 既能做回归，也能做分类。实际项目中，如果你的目标是“筛出高质量事件”，分类往往比直接回归更容易稳定；如果你的目标是“给事件打连续分”，回归更直观。

不要一开始就默认回归一定更高级，先看你的交易动作到底是什么。

四、财报和公告最值得先做的类别特征

事件驱动任务里，下面这些列很适合直接作为类别列交给 CatBoost：

• 公告类型
• 财报季度
• 交易所板块
• 一级行业
• 披露时段
• 预告方向或修订方向

这些列不适合硬转成连续数字，因为它们表达的是身份和分组，不是大小关系。

相反，下列列通常更适合作为数值特征：

• 净利润同比变化
• 营收同比变化
• 预告偏离一致预期的幅度
• 事件前收益率和波动率
• 流动性指标

一个很常见的错误是把“公告类型编码 1,2,3,4”直接当数值列，让模型误以为 4 比 1 更大、更强。对事件样本来说，这种做法通常只会制造伪结构。

五、工具落地：一个事件样本表的最小训练示例

from catboost import CatBoostClassifier, Pool

feature_cols = [
    "event_type",
    "report_quarter",
    "industry_lv1",
    "announcement_session",
    "surprise_ratio",
    "pre_ret_5d",
    "pre_ret_20d",
    "volatility_20d",
    "turnover_20d",
]

cat_cols = [
    "event_type",
    "report_quarter",
    "industry_lv1",
    "announcement_session",
]

target_col = "label_outperform_5d"

train_pool = Pool(train_df[feature_cols], label=train_df[target_col], cat_features=cat_cols)
valid_pool = Pool(valid_df[feature_cols], label=valid_df[target_col], cat_features=cat_cols)

model = CatBoostClassifier(
    loss_function="Logloss",
    eval_metric="AUC",
    iterations=800,
    learning_rate=0.05,
    depth=6,
    random_seed=42,
    verbose=100,
)

model.fit(train_pool, eval_set=valid_pool, use_best_model=True)

这段代码最关键的地方在于：

1. 事件类型和披露时段没有被强行数值化。
2. 标签是围绕事件后的结果定义的，而不是围绕当天收盘后的回看结果定义的。
3. 训练集和验证集仍然要按时间切分。

六、常见问题排查

事件样本出了问题，表现往往会比普通日频样本更隐蔽，因为很多错误不是立刻报错，而是安静地把标签和特征错位了。

6.1 问题一：模型效果很好，但上线后明显偏弱

先查披露时间有没有对错。事件驱动最容易出错的地方不是参数，而是“盘后事件被当成盘前可见”。只要时间线错了，线下效果再好都不可信。

6.2 问题二：某些事件类型样本太少

这时不要急着把所有稀有事件都并进来。先确认这些稀有事件有没有足够稳定的业务含义。样本少、定义还不稳定的事件，宁可先不进第一版模型。

6.3 问题三：事件样本重复

同一家公司可能在短时间内连续发预告、正式财报、补充说明、问询回复。如果你没有定义好主事件和从事件，很容易把一段高度重叠的信息重复入样。

更稳的做法是先设规则：

• 是否保留同一窗口内的多次披露。
• 如果保留，标签窗口是否重叠。
• 是否需要合并成单一事件簇。

七、本讲完成标准

如果你已经做到下面几点，这一讲就算完成：

1. 能把事件时间、事件类型、市场背景拆成不同特征层。
2. 能说清盘前、盘中、盘后公告为什么不能共用一套标签起点。
3. 能用 CatBoost 正确接收事件类别列。
4. 能避免把事件后才知道的信息拼回事件发生时点。

八、系列衔接

本讲是《CatBoost量化建模完整学习计划》的第 4/9 讲，当前主题是《CatBoost在事件驱动策略中的应用：财报与公告特征融合》。

上一讲：第 3 讲《CatBoost参数调参与早停策略：稳定收益优先配置法》。

下一讲：第 5 讲《CatBoost模型可解释性：特征贡献、样本归因与异常诊断》。

九、风险揭示与免责声明