深圳融克迪特科技有限公司

一、本讲目标

前两讲已经把 CatBoost 的位置和输入规范讲清楚了。真正开始训练后，大多数人很快会陷入另一个误区：一上来就做大规模网格搜索，结果参数试了一堆，却还是不知道模型为什么不稳。

这一讲只解决一个核心问题：在量化任务里，CatBoost 应该按什么顺序调参，才能优先得到稳定结果，而不是偶然跑出来的高分。

你需要完成四件事：

1. 确定一个可复现的时间切分基线。
2. 明确哪些参数应该先调，哪些参数应该后调。
3. 正确使用早停，而不是把验证集当成反复试错的训练集。
4. 用“稳定收益优先”的思路看待参数，而不是只看某一次验证分数峰值。

二、环境准备：先把调参目标说清楚

量化项目里，调参不应该只有一句“让分数更高”。在真正动手前，至少要先回答下面三个问题：

1. 你的任务是回归、二分类还是排序。
2. 你最终看重的是误差、命中率、IC，还是分层后的组合表现。
3. 你更在意峰值表现，还是更在意不同时间段下的稳定性。

如果这三件事没先定义好，后面的调参很容易变成“谁分高用谁”，最后把测试集也不知不觉调进去了。

对 CatBoost 来说，更稳的做法通常是先建立一个简单基线：

• 固定特征集。
• 固定训练集、验证集、测试集的时间边界。
• 固定评价方式。
• 先只改一到两类核心参数。

在这个阶段，不要同时改特征、标签窗口、样本过滤和模型参数。否则你最后很难知道效果变化到底来自哪一层。

三、操作步骤：先调哪些参数，后调哪些参数

如果你希望调参过程可复现，最重要的不是一次试很多参数，而是固定节奏。下面这套顺序的意义，就是先解决影响最大的参数，再处理细节上的收敛和稳健性问题。

CatBoost 常用参数很多，但不是每个都值得在第一轮就碰。对量化表格任务来说，一般可以按下面顺序推进。

3.1 第一步：先确定学习率和迭代轮数

learning_rate 和 iterations 是最先要定下来的组合。它们的关系可以粗略理解为：

• 学习率高，收敛快，但更容易抖。
• 学习率低，收敛慢，但通常更稳。

量化里更推荐从保守值起步，例如：

• learning_rate 先试 0.03、0.05、0.08
• iterations 先给足，例如 600 到 1200

不要一开始把迭代轮数卡得太死，因为你还需要配合早停去观察模型到底在哪个区间开始失真。

3.2 第二步：再看树深度

depth 决定了单棵树能学到多复杂的交互结构。对量化任务来说，它通常比很多人想象中更容易过头。

经验上，日频或周频表格样本常用的起点是：

• depth=4：偏保守，结构简单。
• depth=6：常见默认档。
• depth=8：只在样本量、特征质量都比较扎实时再看。

如果你把 depth 一路拉高，验证集分数有时会短暂变好，但分层收益、换手、回撤稳定性未必一起改善。对量化任务来说，这通常不是好信号。

3.3 第三步：再看正则和随机性

这一层最常用的是：

• l2_leaf_reg
• random_strength
• bagging_temperature

它们控制的是模型的保守程度，而不是“让模型更聪明”。如果你已经看到训练集表现明显优于验证集，优先看这几个参数，而不是继续加深树。

可以这样理解：

• l2_leaf_reg 更像对叶子值做收缩。
• random_strength 会增加分裂选择时的随机扰动，减少模型死盯某几列。
• bagging_temperature 会影响采样的激进程度，适合在样本噪声偏大的时候尝试。

四、早停怎么用，才不会把验证集用坏

CatBoost 的早停很有用，但前提是验证集本身是干净的时间切分，而且你没有把它用成“无限次调参反馈面板”。

更稳的用法是：

1. 固定一段时间做验证集。
2. 在这段验证集上观察 best_iteration_。
3. 不要因为某一次峰值特别高，就反复重切验证区间。

对量化任务来说，早停的意义主要有两个：

• 防止你把模型一直拟合到噪声上。
• 给你一个“这一组参数大概能训练到哪里”的参考区间。

如果某组参数的最优迭代轮数特别靠前，例如 50 轮内就停，往往意味着学习率偏大或树太深；如果始终跑到上限还没停，则可能说明学习率偏低，或者当前参数还没把模型复杂度放开。

五、工具落地：一个可复用的调参起点

下面给一个更适合量化项目起步的 CatBoost 训练写法：

from catboost import CatBoostRegressor, Pool

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 = CatBoostRegressor(
    loss_function="RMSE",
    eval_metric="RMSE",
    iterations=1000,
    learning_rate=0.05,
    depth=6,
    l2_leaf_reg=5,
    random_strength=1,
    bagging_temperature=0,
    od_type="Iter",
    od_wait=80,
    random_seed=42,
    verbose=100,
)

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

print(model.get_best_iteration())
print(model.get_best_score())

这段代码的重点不是告诉你“参数就该这么设”，而是给你一个稳的起点：

• 先让迭代上限足够高。
• 让早停来帮你找有效区间。
• 用同一套切分去比较不同参数组，而不是换来换去。

六、常见问题排查

下面这些情况在量化调参里非常常见，而且很多时候看起来像模型能力问题，实际上是调参顺序或验证方法出了偏差。

6.1 问题一：训练集分数明显更好，验证集一塌糊涂

优先检查：

• 时间切分是否正确。
• depth 是否过大。
• 学习率是否太高。
• 样本表是否混入了高泄露字段。

这时不要先去调更复杂的随机性参数，先把最基本的切分和深度看明白。

6.2 问题二：验证集效果不错，但测试集掉得很厉害

这往往说明你已经在“对验证集调参”。更稳妥的做法是：

• 把参数搜索轮次收敛下来。
• 用滚动验证或多时间片复核。
• 看分层收益的一致性，而不是只看某一个时间段的峰值。

6.3 问题三：不同参数组差异很小，不知道怎么选

当几组参数的误差接近时，优先选更保守的那组：

• 更浅的树。
• 更低的学习率。
• 更稳定的验证区间表现。

对量化来说，稳定可复现通常比“多赢一点点”更重要。

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. 知道 CatBoost 调参应该先从学习率、迭代轮数和深度开始。
2. 知道早停的作用是防止过拟合，而不是替代测试集。
3. 知道遇到训练好、验证差时该先查哪些问题。
4. 知道在参数结果接近时，为什么要优先选更稳的一组。

八、系列衔接

本讲是《CatBoost量化建模完整学习计划》的第 3/9 讲，当前主题是《CatBoost参数调参与早停策略：稳定收益优先配置法》。

上一讲：第 2 讲《CatBoost特征输入规范：类别编码、缺失值与时间切分》。

下一讲：第 4 讲《CatBoost在事件驱动策略中的应用：财报与公告特征融合》。

九、风险揭示与免责声明