解释 LightGBM 为什么擅长分析财报与股价表格，以及怎样公平检验股票预测。
更复杂的 AI 反而输了？
“神经网络版本没能超过 LightGBM。”一边是多层复杂计算，一边是许多小树组成的“森林”，结果森林拿了奖杯。电脑风扇拼命转，成绩却不会因为声音大而增加。
这句话没有给出数据和评分，无法单独核实那次比较。不过，研究确实表明树形方法在行列排列的数字上很有竞争力。[1][2]
LightGBM 做什么？
LightGBM 是一种根据过去例子预测新结果的方法。其代表性论文发表于 2017 年。[3]
假设表格列出了企业利润增长、交易量突增、企业规模及后续股价。一棵小树问：“利润增长超过某个界限了吗？”下一棵树修补前一次容易出错的地方。许多小修正逐渐合成最终预测。
单棵树很简单，许多树合作却很厉害。像一支不断给彼此补漏洞的队伍。
为什么可能赢？
金融数字里有突变、用处很小的列，以及只有跨过某条线才成立的规律。树形方法擅长按界限区分情况。
2022 年的研究发现，树形方法在典型中等规模表格上仍很强。[1] 2023 年的研究指出，对许多数据集来说，合理调整设置比更换模型类别更重要。[2]
电脑越吵，预测不一定越准。
树一定最强吗？
2025 年的大规模比较发现，增加训练时间并组合多种预测后，神经网络在某些情况能追上。[4] 识别图片和阅读财务数字，本来就需要不同工具。
股票交易该怎样测试？
双方只能使用当时已经公开的数据。用后来发布的财报预测发布前的价格，相当于提前读了明天的报纸。
按时间顺序测试，计算手续费、预期与实际成交价的差异和可能的大幅亏损。预测涨跌正确与交易后真正赚钱，是两张成绩单。
结论
神经网络输给 LightGBM 完全可能。2017 年成名的方法，只要适合工作，今天依然强大。不要小看这片森林。
参考资料（4条）
- Grinsztajn, Oyallon & Varoquaux (2022), “Why do tree-based models still outperform deep learning on typical tabular data? papers.nips.cc
- McElfresh et al. (2023), “When Do Neural Nets Outperform Boosted Trees on Tabular Data? proceedings.neurips.cc
- Ke et al. (2017), “LightGBM: A Highly Efficient Gradient Boosting Decision Tree. proceedings.neurips.cc
- Erickson et al. (2025), “TabArena: A Living Benchmark for Machine Learning on Tabular Data. proceedings.nips.cc
