我正在创建市场对冲模型。因此，如果我们对市场回落（负周收益）充满信心，就可以进行套期保值。我使用XGBClassifier预测下周市场将下跌（Y_true = 1）还是上涨（Y_true = 0）。在训练过程中，我偏向于模型，通过在sklearn版本的XGBoost中将每周收益的幅度指定为 sample_weights 来学习更大的动作而不是较小的动作。
想法是，我们不太担心对较小的每周收益（波动小于1-2％的订单）进行错误分类，但我们希望对较大的波动更加确定。
到目前为止，我一直尝试使用贝叶斯网格搜索（使用hyperopt）在广泛的XGBClassifier参数('reg_lambda', 'reg_alpha', 'min_child_weight', 'max_depth', 'colsample_bytree', 'n_estimators', 'gamma', 'subsample')上进行优化以最小化brier_score_loss。
但是我相信，我不会将此加权信息传递给提升过程（即，为下一棵树中错误分类的值提供的权重）。是否有一些损失函数代替一般的(objective: 'binary:logistic', booster: 'gbtree')，更适合我的目标？