研究结论
　　树模型的训练细节
　　输入特征的构造：树模型需要人工构造特征来捕捉时间依赖性。以纯截面70特征为输入的模型表现，明显弱于以添加时序信息的430特征为输入的模型，IC低1pct以上，RANKIC低接近2pct，ICIR和RANKICIR也有较大差距，多头年化超额低7pct以上。
　　数据预处理方案的选择：解释变量X截面上进行稳健的Zscore标准化，减小异常值对标准化结果的影响。预测标签Y截面上进行Zscore标准化。
　　调参技巧：使用Optuna调参方法，调参后模型在测试集上的效果有明显提高，IC和RANKIC提高近1pct，多头年化超额提高近4pct。
　　随机种子的影响：不同种子下得到的模型表现较为接近，IC和RANKIC相差都在0.5pct以内，多头年化超额相差2pct以内。不同种子下得到的模型相关性很高。
　　树模型和神经网络模型的比较：相同输入特征下，MLP、GRU模型效果均不如XGB模型，RANKIC低1pct左右。XGB与两个网络模型的多头超额收益相关性仅60%。
　　树模型的训练效果：
　　因子整体绩效表现：在各个股票池中，DFQ-XGB模型都能获得与神经网络模型相当甚至更优的绩效。在中证全指股票池中，DFQ-XGB模型所得到因子的稳定性最强，测试集上IC12.96%，RANKIC15.43%，20分组多头年化超额收益29.58%。
　　因子多头组表现：在中证全指股票池中，DFQ-XGB模型20分组多头组表现整体较强，累计超额仅低于HIST和FactorVAE模型。XGB模型和HIST、FactorVAE模型的多头超额净值的曲线走势存在差异，波峰波谷恰好相反，呈现出较好的互补性。
　　因子分年绩效表现：在各个股票池中，DFQ-XGB模型2024年的表现都很突出，尤其多头端。在中证全指股票池中，DFQ-XGB模型2024年的多头表现最优。2024年IC达到15.75%，20分组多头年化超额35.24%，最大回撤5.8%。
　　多模型集成增量：
　　多模型相关性：DFQ-XGB模型所得因子与其他模型的相关性都比较低，在中证全指股票池中，DFQ-XGB模型与其他模型日度多头超额收益的相关性在50%以下。
　　多模型集成表现：在中证全指股票池中，DFQ-XGB模型与DFQ-HIST模型等权合成后效果更佳，达到1+1>2的集成效果。测试集上IC达到13.39%，RANKIC达到17.19%，20分组多头日度超额年化收益率达到36.12%。
　　Top100组合表现：
　　在中证全指内，使用DFQ-XGB模型构建的top100组合，绩效表现优于其他模型。2020年以来年化绝对收益达到25.68%，年化夏普比达到1.17，最大回撤27.28%。
　　指数增强组合表现：
　　沪深300指数增强组合表现：将XGB、dfqfactor、FactorVAE三个模型得分，按照1:1:2的权重结合使用，表现可超越任何一个单一模型。2020年以来年化信息比达到2.53，年化对冲收益14.90%，年化跟踪误差5.56%。
　　中证500指数增强组合表现：将XGB、TRA两个模型等权结合使用，表现可超越任何一个单一模型。2020年以来年化信息比2.31，年化对冲收益17.65%。
　　中证1000指数增强组合表现：将XGB、HIST两个模型等权结合使用，表现可超越任何一个单一模型。2020年以来年化信息比达到3.04，年化对冲收益24.06%。
　　风险提示
　　1.量化模型失效风险。
　　2.极端市场环境对模型的影响。