Qlib实战：如何为A股T+1交易定制你的机器学习标签（Label）？

在量化投资领域，数据标注（Labeling）是构建机器学习模型的核心环节之一。对于A股市场的T+1交易制度，正确的标签定义直接关系到模型预测的有效性。本文将深入探讨如何在Qlib框架下，针对A股市场特性定制高效的机器学习标签。

1. 理解A股T+1交易制度下的标签定义

A股市场实行T+1交易制度，即当日买入的股票需等到下一个交易日才能卖出。这一制度对标签定义提出了特殊要求。假设我们在T日做出交易决策，实际买入发生在T+1日，最早卖出时间为T+2日。因此，合理的收益率标签应反映T+1买入、T+2卖出的收益情况。

Qlib中常见的标签表达式为：

python复制Ref($close, -2)/Ref($close, -1) - 1

这个表达式的含义是：

• Ref($close, -1)：T+1日的收盘价（买入价）
• Ref($close, -2)：T+2日的收盘价（卖出价）
• 整个表达式计算的是(T+2收盘价)/(T+1收盘价)-1，即持有期收益率

注意：在实盘交易中，还需考虑交易成本（佣金、印花税等），但基础标签通常先不考虑这些因素

2. 不同持有期的标签设计策略

根据不同的交易策略，可以设计多种持有期标签：

2.1 短期交易标签

• 1日持有（T+1买入，T+2卖出）：

  python复制Ref($close, -2)/Ref($close, -1) - 1
  

• 3日持有：

  python复制Ref($close, -4)/Ref($close, -1) - 1
  

2.2 中长期标签

• 5日持有（一周）：

  python复制Ref($close, -6)/Ref($close, -1) - 1
  

• 20日持有（约一个月）：

  python复制Ref($close, -21)/Ref($close, -1) - 1
  

不同持有期标签的比较：

3. 分类标签与特殊场景处理

除了连续型收益率标签，分类标签在量化策略中也很常见：

3.1 二分类标签

python复制# 涨跌分类
If(Ref($close, -2)/Ref($close, -1)-1 > 0, 1, 0)

3.2 多分类标签

python复制# 三分类：大涨、持平、大跌
If(Ref($close, -2)/Ref($close, -1)-1 > 0.01, 2,
   If(Ref($close, -2)/Ref($close, -1)-1 < -0.01, 0, 1))

3.3 特殊场景处理

• 涨停/跌停处理：

  python复制# 排除涨停后第二天无法买入的情况
  Mask(Ref($close, -2)/Ref($close, -1)-1, 
       Ref($high, -1)/Ref($close, -2)-1 < 0.095)
  

• 停牌处理：

  python复制# 使用成交量判断是否停牌
  Mask(Ref($close, -2)/Ref($close, -1)-1, 
       Ref($volume, -1) > 0)
  

4. 高级标签设计技巧

4.1 相对收益标签

相对于市场指数的超额收益：

python复制(Ref($close, -2)/Ref($close, -1) - 1) - 
(Ref($index_close, -2)/Ref($index_close, -1) - 1)

4.2 风险调整后收益

使用夏普比率风格的标签：

python复制Mean(Ref($close, -2)/Ref($close, -1)-1, 5) / 
Std(Ref($close, -2)/Ref($close, -1)-1, 5)

4.3 结合交易量的标签

python复制# 放量上涨
If(And(Ref($close, -2)/Ref($close, -1)-1 > 0, 
       Ref($volume, -1)/Mean($volume, 20) > 1.5), 1, 0)

5. Qlib标签实现实战

5.1 基础标签配置

python复制from qlib.data.dataset.loader import QlibDataLoader

labels = ['Ref($close, -2)/Ref($close, -1) - 1']
label_names = ['1day_return']

data_loader_config = {
    "label": (labels, label_names)
}

data_loader = QlibDataLoader(config=data_loader_config)
df = data_loader.load(instruments='csi300', 
                     start_time='2020-01-01', 
                     end_time='2023-12-31')

5.2 多标签组合

python复制multi_labels = [
    'Ref($close, -2)/Ref($close, -1) - 1',  # 1日收益
    'Ref($close, -4)/Ref($close, -1) - 1',  # 3日收益
    'If(Ref($close, -2)/Ref($close, -1)-1 > 0, 1, 0)'  # 涨跌分类
]
label_names = ['1day_return', '3day_return', 'up_down']

data_loader_config = {
    "label": (multi_labels, label_names)
}

5.3 使用内置数据处理类

python复制from qlib.contrib.data.handler import Alpha158

class MyLabelHandler(Alpha158):
    def get_label_config(self):
        return (
            [
                'Ref($close, -2)/Ref($close, -1) - 1',
                'Ref($close, -4)/Ref($close, -1) - 1'
            ],
            ['1day_return', '3day_return']
        )

6. 标签质量评估与优化

设计好的标签需要评估其质量：

• IC（Information Coefficient）分析：计算标签与未来收益的秩相关系数
• 分组回测：按标签值分组观察实际收益表现
• 稳定性检验：不同时间段IC值的稳定性

优化方向：

1. 尝试不同持有期组合
2. 加入波动率调整
3. 考虑市场状态（牛市/熊市）差异
4. 结合基本面指标过滤

在实际项目中，我通常会先测试3-5种不同的标签定义方式，通过上述评估方法选择表现最稳定的一种作为最终标签。特别是在A股市场，不同持有期标签在不同市场环境下表现差异很大，需要充分测试。