從財報和股價表格解釋 LightGBM 的優勢，以及如何公平測試投資預測。
更複雜的 AI 竟然輸了？
「神經網路版本沒能超過 LightGBM。」一邊是多層複雜計算，一邊是一群小樹組成的森林，結果森林捧走獎盃。電腦風扇狂轉，成績卻不會因為聲音大而增加。
這句話沒有提供資料和分數，因此無法獨立核實那次比較。不過研究確實發現，樹狀方法在表格數字上往往很有競爭力。[1][2]
LightGBM 在做什麼？
LightGBM 是一種從舊案例學習、預測新結果的方法。代表性論文發表於 2017 年。[3]
假設表格列出公司獲利成長、成交量暴增、公司規模及後續股價。第一棵小樹問：「獲利成長超過門檻嗎？」下一棵樹修補上一輪的失誤。許多小修正最後合成一個預測。
一棵樹很簡單，整片森林合作起來卻很厲害。像一支不斷互相補破洞的隊伍。
為何可能贏？
金融數字有突然跳高的數值、幾乎用不到的欄位，以及跨過某個界限才出現的規律。樹狀方法擅長這種分界。
2022 年研究顯示，樹狀方法在典型中型表格資料上仍非常強。[1] 2023 年研究也指出，許多情況下調整設定比換一類模型更重要。[2]
電腦越吵，不代表預測越準。
樹一定最強嗎？
2025 年的大型比較發現，增加訓練時間並結合多個預測後，神經網路在部分情況下可以追上。[4] 看照片和讀財務報表是不同工作。
股票投資該怎麼測？
兩種方法都只能使用當時已公開的資料。用財報公布後的數字去預測公布前的股價，就像偷看明天的報紙。
依時間順序測試，計算手續費、預期與實際成交價格的差距及大幅虧損。猜對漲跌與交易後真正獲利，是不同的考試。
結論
神經網路輸給 LightGBM 完全合理。2017 年成名的工具，只要適合任務，今天仍然很強。別小看這片森林。
參考資料（4筆）
- 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
