基于 Datawhale 开源量化投资学习指南（10）：基于 LightGBM 的量化选股

1. 引言

        量化选股通过运用机器学习算法，结合股票市场的历史数据，预测股票的未来表现，从而辅助投资者进行科学决策。在本篇实战篇中，我们将使用 LightGBM 这一强大的机器学习工具，来实现量化选股的流程。我们将选股问题转化为一个监督学习分类问题，通过训练机器学习模型来预测短期股价的涨跌。

        本文的目标是：如果一只股票在未来5天内的最高增长率大于5%，最大损失率小于-3%，我们将其标记为 1，即选为投资标的；否则标记为 0，不进行投资。

        整个流程包括数据下载、特征工程、模型训练和评估几个主要步骤。下面将通过代码逐步演示如何实现这一量化选股策略。

2. 数据下载

        首先，我们通过 Tushare 工具下载股票的基础信息和交易数据。Tushare 提供了丰富的金融市场数据接口，是进行量化分析的常用工具之一。

import tushare as ts
import pandas as pd
import os
import time
from tqdm import tqdm

# 设置Tushare token
mytoken = ' '  # 填入您的Tushare token
ts.set_token(mytoken)
pro = ts.pro_api()

# 保存路径设置
save_path = './sto