深圳融克迪特科技有限公司

一、本讲目标

很多团队把 CatBoost 训练完以后，直接拿预测值去排序、分仓，最后发现模型输出和实际风险承受能力并不匹配。问题往往不是模型完全没用，而是输出层处理太粗。

这一讲要解决的是：怎样把 CatBoost 的分类概率转成可用的风险分层和选股分组，而不是把概率数字生硬地当成仓位。

你需要完成四件事：

1. 选对适合概率输出的标签定义。
2. 知道 predict_proba 的结果该怎么读。
3. 学会把概率转成分层、分组和仓位规则。
4. 理解为什么概率高不等于可以无上限加仓。

二、环境准备：什么时候该用概率输出，而不是直接回归

如果你的交易动作本质上是“从一批资产里挑出更有把握的一组”，那么分类概率通常比直接回归未来收益更容易落地。

常见的标签定义方式包括：

• 未来 5 日是否跑赢基准。
• 未来 10 日收益是否位于横截面前 30%。
• 未来 5 日最大回撤是否低于某个阈值。

这种定义的好处是，模型输出可以直接解释成“更像正样本的概率”。它不完美，但比直接把一个噪声很大的连续收益预测值拿去下单，通常更稳。

如果你的目标本身就是做分层、分档、分组，分类任务往往比回归更顺手。

三、操作步骤：把概率输出变成真正可用的分层规则

概率输出真正难的地方不在于取到一个数字，而在于把这个数字放回交易流程里。下面这套顺序的重点，就是先让概率有可比性，再让它有可执行性。

3.1 第一步：先确认正负样本定义

概率有没有意义，首先取决于你的标签定义是不是稳定。

例如你定义：

• 未来 5 日超额收益大于 0，为正样本。

这在波动很大的时期可能太敏感；你也可以改成：

• 未来 5 日超额收益进入横截面前 30%，记为正样本。

第二种定义通常更适合选股分层，因为它直接对应“我要挑更强的一组资产”，而不是试图精确拟合每一个收益数值。

3.2 第二步：读取概率，而不是只看 0/1 预测

对 CatBoostClassifier 来说，更重要的是：

• predict 给出的只是类别判断。
• predict_proba 才是你做分层的基础。

如果模型输出某只股票成为正样本的概率是 0.78，这不意味着“未来收益 78% 会涨”，而更像是在当前训练定义下，它更接近正样本的历史模式。

这是一种相对置信度，不是可直接兑现的收益承诺。

3.3 第三步：先分层，再决定仓位

更稳的落地方式通常不是“概率多少就买多少”，而是：

1. 先按概率从高到低排序。
2. 再分成若干层，例如 5 层或 10 层。
3. 比较每一层的平均收益、回撤、换手和样本覆盖率。

如果最高一层在多个时间片里都更稳，才有资格作为高优先级选股层。

对很多量化团队来说，真正可执行的仓位映射往往是分段规则，例如：

• Top 10%：进入候选池
• Top 10% 到 30%：作为次级候选
• 其余：观察或不参与

这样做的好处是能减少模型小幅波动对仓位的放大影响。

四、校准为什么重要

概率输出不一定天然“像概率”。有些模型分数排序很好，但数值校准很差，例如：

• 输出 0.9 的样本，真实命中率并没有接近 90%。
• 输出 0.6 到 0.7 的样本，和 0.8 以上的样本实际差距并不大。

这时你应该区分两件事：

1. 模型有没有排序能力。
2. 模型的概率刻度是不是可靠。

如果你后续要把概率用于风险分层、触发阈值或额度控制，建议额外做概率校准复核，例如观察分桶命中率是否和概率分段大体一致，而不是只看整体 AUC。

五、工具落地：一个最小概率分层示例

from catboost import CatBoostClassifier, 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 = 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)

test_df = test_df.copy()
test_df["prob_up"] = model.predict_proba(test_df[feature_cols])[:, 1]
test_df["prob_bucket"] = pd.qcut(test_df["prob_up"], 5, labels=False, duplicates="drop")

这个例子里，真正值得分析的是：

• 不同 prob_bucket 的平均收益有没有明显单调性。
• 最高层的换手和回撤是否还能接受。
• 概率分层在不同月份里是否仍然大体有效。

六、常见问题排查

概率分层看起来比回归直观，但它同样会被样本口径、阈值设定和交易约束影响。下面这几类偏差最值得优先检查。

6.1 问题一：AUC 不错，但分层收益不明显

这很常见。说明模型可能能区分正负样本，但还不足以支撑实际交易分层。先看标签定义是不是过宽，再看是否需要加入交易成本和流动性约束后的再评估。

6.2 问题二：最高概率层样本太少

如果高概率层样本过少，组合会很集中，回撤和单日冲击都可能变大。这时更合理的是放宽候选区间，再叠加其他约束筛选，而不是只盯着极少数最高分样本。

6.3 问题三：概率阈值在不同阶段失效

这通常说明概率刻度发生漂移。更稳的做法是定期复核分层命中率，而不是长期固定一个绝对阈值不动。

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. 知道什么时候更适合把 CatBoost 用成分类模型。
2. 知道 predict_proba 的结果不能直接当收益率解释。
3. 知道分层通常比直接概率映射仓位更稳。
4. 知道排序能力和概率校准是两件不同的事。

八、系列衔接

本讲是《CatBoost量化建模完整学习计划》的第 6/9 讲，当前主题是《CatBoost概率输出与风险分层在选股模型中的应用》。

上一讲：第 5 讲《CatBoost模型可解释性：特征贡献、样本归因与异常诊断》。

下一讲：第 7 讲《CatBoost跨市场迁移：A股与期货数据域适配方法》。

九、风险揭示与免责声明