深圳融克迪特科技有限公司
RONG CREDIT TECHNOLOGY CO., LTD.
工具实战
围绕学习率、树深、正则和早停的调参顺序，说明 CatBoost 在量化任务里怎样优先得到稳定结果，而不是偶然的高验证分数。
很多人学 CatBoost，第一反应会自然落到参数上，觉得只要把深度、学习率、迭代轮数调好，模型效果就会起来。可一旦进入量化场景，很快就会发现现实并不是这样。真正最容易出问题的地方，往往比参数更早，出在输入样本表本身。类别列没有明确声明、缺失值来源混乱、训练验证随机切分导致时间泄露，这些问题一旦存在，后面的调参几乎都会建立在偏掉的地基上。
这也是为什么 CatBoost 系列的第二讲必须先讲输入规范。因为对量化任务来说，一份样本表不是“列放全就行”，而是必须明确哪些信息属于当期可见特征，哪些是未来标签，哪些列是离散身份，哪些列是真正的连续数值。只要这层没有先理顺，模型就很容易学到错误结构，线下验证也很容易虚高。
因此，本讲真正要解决的，不是“怎么把 DataFrame 扔进 CatBoost”，而是如何把一张表整理成真正适合训练、适合复现、也尽量不引入未来函数风险的输入层。对量化建模来说，这是第一道硬门槛。
CatBoost 最常被宣传的两个优点，就是原生支持类别特征，以及对缺失值有较好容忍度。这两个优点确实存在，也很有价值。但恰恰因为它们太方便，初学者特别容易产生一种危险误解：既然模型自己能处理这些问题，那输入表就不需要太严格。这个想法只对了一半。模型能处理，不等于模型能替你判断语义，也不等于它能自动识别时间穿越和数据脏点。
举个最常见的例子，证券代码如果被你先粗暴转成连续整数，CatBoost 虽然能吃进去，但这不代表这种输入形式是正确的；再比如财务缺失、上市天数不足导致的窗口缺失、数据源抓取异常带来的断档，这些空值虽然表面上都长得一样，模型却不会替你分辨它们的业务含义。只要你把这些问题简单理解成“模型会自己搞定”，后面训练出来的结果往往很难真正可信。
所以，本讲特别要先把这个边界拉清楚。CatBoost 的强项是减少合理预处理负担，不是替你免除输入治理责任。输入规范做不好，模型优势根本发挥不出来。
对普通表格任务来说，输入和标签的边界已经足够重要；到了量化里，这件事更是最硬的约束。因为量化任务天然带着时间顺序，任何把未来信息混进当前特征的做法，都会让验证结果直接失真。也正因为如此，在整理 CatBoost 输入表时，最先要确认的不是列名齐不齐，而是每一列到底属于哪一层：是当前可见特征，还是未来标签。
比如，你在 trade_date 这一天构建样本，那么所有特征列都必须来自这一天当下已经可知的信息；而标签列如果是未来 5 日收益，就必须严格来自后面的窗口。这两者之间只要有一点混淆，模型就会学到本不该知道的信息。更麻烦的是，这种错误往往不会像语法错误一样直接报出来，它只会让你得到一份“看起来分数很好、其实完全不可信”的结果。
因此，本讲最重要的第一层输入规范，就是先把可见特征和未来标签边界钉死。只要这层没先守住，后面讲类别列、缺失值和调参都没有真正意义。
在量化样本表里，最常见的一类误用，就是把代码、行业、交易状态这类离散身份列，先编码成数字，然后就当成普通数值列丢进模型。表面上看，这么做省事，甚至 DataFrame 也更“整齐”。但从模型语义上讲，这是非常容易出错的。因为一个编码后的整数，并不天然具有连续大小关系。1057 并不比 18 更“大”或“更强”，它只是一个身份标签。
所以判断某列应不应该作为 CatBoost 的类别特征，关键不在于它是不是字符串，也不在于它是不是整数，而在于它表达的是不是离散身份。证券代码、行业标签、ST 状态、公告类型、季度类别等，都属于典型的类别语义。相反，换手率、波动率、动量、估值分位这些本身有连续数值含义的列，就不该因为长得像“编号”而被混进类别列里。
只要这一层判断标准先建立起来，后面你在构造样本表时就不会只盯着数据类型表面，而会更关注列背后的业务含义。这种语义优先的判断方式，对 CatBoost 尤其重要。
一谈类别列，很多人下意识就会想到 one-hot 编码或者别的手工映射方式。可在 CatBoost 这里，更稳的起点往往不是先编码，而是先保真。所谓保真，就是尽量保留原始类别语义，不要为了“让模型看起来更方便输入”而过早把信息压扁或者扭曲。比如行业就保留行业标签，证券代码就保留代码本身，交易状态就保留清楚的枚举，而不是急着把一切都映射成一组看起来干净的数字。
这样做的价值有两层。第一，它减少了你手工编码时引入错误结构的风险。第二，它能更好地发挥 CatBoost 在类别处理上的优势。尤其在量化里，很多类别列的取值空间不小，若一开始就粗暴展开或重编码，不仅麻烦，也容易让不同时间段之间的口径变得不一致。
所以本讲里讲类别列，重点不在补充更多编码技巧，而在先把一条更稳的原则立住：在 CatBoost 里，类别列最该先做的是保留真实语义，再通过显式声明交给模型处理，而不是过早自作聪明地改写它们。
量化数据里的缺失值非常常见，但常见不代表可以模糊处理。窗口不足、财报尚未披露、停牌或暂停交易、字段拼接错误、源数据抓取异常，这些情况都会表现成空值。可它们的业务含义完全不同。如果你只是因为 CatBoost 能接受缺失值，就把它们一股脑全留给模型，表面上省事，实际上会把最关键的问题藏起来。
本讲特别强调缺失值分型，就是因为量化里很多“模型不稳”本质上并不是模型问题，而是空值来源根本没分清。窗口不足造成的空值，可能是正常现象；财务字段缺失，可能需要额外缺失标记；而某些日期突然大面积空缺，则很可能是数据源异常。只要这些来源不分，模型后面无论表现好坏，你都很难真正解释清楚。
因此，CatBoost 的缺失值优势应该被用在“减少对合理缺失的过度处理”上，而不是变成忽略输入排查的借口。先分型，再决定保留、标记还是剔除，才是更稳的做法。
如果说前面几项输入规范还可能被一些人误判成“工程细节”，那么时间切分就是完全不能退让的核心纪律。量化任务最大的特殊性之一，就在于样本带着严格的时间方向。随机切分在用户画像或普通风控表格里有时还能成立，但在收益预测、事件驱动和横截面选股里，随机打散几乎一定会高估模型效果。因为模型会提前见到本不该在那个时点可知的市场结构和分布信息。
所以，训练集、验证集、测试集必须按时间顺序切开，这不是“更稳一些”的建议，而是近乎底线要求。训练只能用更早时间段，验证紧跟其后，测试放在最后。如果你反过来或者随意混用，只要样本里存在明显的时间漂移，验证结果就会被严重美化。
也正因为如此，本讲里时间切分的位置很重。因为它不是调参前的附属事项，而是整个 CatBoost 训练能不能被信任的基础前提。没有这一层，后面所有“模型表现不错”的结论都不牢靠。
如果把整个 CatBoost 建模流程看成一条链，那么模型训练和调参其实处在相对中后段。它们能否有意义，很大程度取决于前面的输入治理做得怎么样。所谓输入治理，不只是清一下表头或删几列，而是系统地明确：哪些列可见、哪些列未来、哪些列属于类别语义、哪些列是连续数值、哪些空值是正常、哪些空值异常、训练验证该如何按时间切开。
这层意识非常重要，因为它会让你在真正调用模型前，就先用一种更严谨的方式审视样本表。你不再把 DataFrame 当成“列差不多齐了就能开训”的材料，而开始把它看作一份需要治理后才能进入模型的训练输入。对量化任务来说，这种意识比很多参数技巧都更值钱。因为只要输入治理先稳住，后面的训练和调参才真正有被信任的基础。
因此，本讲虽然还没正式进入调参，却已经在搭整个 CatBoost 系列最关键的落地地基。只要这块地基立住，后面才值得继续往上建。
很多模型项目一上来最容易犯的错误，就是先把表扔进训练器里试一轮，再回头看哪里不对。第 2 讲更值得建立的工作顺序是，开训之前先治理输入。也就是先确认标签与特征边界、类别列识别、缺失值语义和时间切分这些前提都已经成立，然后才进入真正训练。只要这个顺序已经建立，后面的调参和验证就不容易建立在松动输入上。
这种顺序感很关键，因为它能帮你避免大量后置返工。很多看起来像“模型问题”的现象，最后追根究底，其实都来自输入治理没先站稳。
CatBoost 再强，也无法绕过输入层质量对可信度的决定作用。第 2 讲更核心的判断是，后面的训练结果能否被信任，首先取决于输入层是否已经被严格治理。类别列如果识别错了，缺失值如果语义混乱，时间切分如果泄露未来，再好的评估数字也站不住。只要这层判断已经立住，你就会更愿意把时间花在输入治理上，而不是急着追求表面分数。
这层判断其实会贯穿整个系列。因为从调参、解释性到输出层治理，所有环节最终都建立在这一份训练输入是否可信之上。
这一讲的重点，不是把表扔进 CatBoost 就开训，而是先把量化样本表整理成真正适合训练和验证的输入层。你需要先分清可见特征和未来标签，再按语义识别类别列，先分型再处理缺失值，并且把训练、验证、测试严格按时间切开。只要这些输入治理原则先建立起来，后面的 CatBoost 调参和评估才真正有意义。
本讲是《CatBoost量化建模完整学习计划》的第 2 讲，当前主题是《CatBoost 特征输入规范：类别列、缺失值与时间切分》。上一讲已经把 CatBoost 在量化里的定位和边界讲清楚，这一讲则开始进入真正的落地前提，先把训练输入整理到可信状态。下一讲会在此基础上进入调参与早停，重点讨论怎样优先得到稳定结果，而不是偶然跑出的高分。
风险揭示与免责声明
本页面内容仅用于量化研究与技术交流，旨在展示研究方法与流程，不构成对任何金融产品、证券或衍生品的要约、招揽、推荐或保证。
本文所涉历史数据、回测结果与示例参数不代表未来表现，也不应作为投资决策依据。
市场存在波动、流动性与执行偏差等不确定性，任何策略均可能出现收益波动或阶段性失效。
读者应结合自身风险承受能力进行独立判断，并在必要时咨询持牌专业机构意见。
