排序学习的定义
　　排序学习（Learning to Rank，LTR）又名“机器排序学习”（Machine-learnedRanking）是一种监督学习方法，此机器学习算法通过在数据集上对大量特征进行训练，从而学习生成排序模型，以用于解决实际中的排序问题。排序学习在文档检索、过滤和推荐系统等领域，已得到广泛应用。
　　排序学习与量化投资
　　在量化投资领域，排序学习有着出类拔萃的内在逻辑，类比于信息检索和推荐系统中使用的相关性指标，同样可以通过使用能够代表金融资产表现的金融指标，来将排序学习应用于在量化投资中，并为投资者提供更加智能化和高效的投资决策工具。并且排序学习不仅仅关注计算出代表行业优劣的具体指标或打分数值，而是注重行业与行业之间的相对优劣程度，从而为用户提供满足其需求的推荐。
　　LGBMRanker行业轮动模型
　　本文通过使用LGBMRanker模型对中信一级排序学习，构建行业轮动型号，经回测该策略从2007年至今在中信一级上的年化绝对收益率为17.53%，超额年化为9.81%，夏普比率为0.59，信息比率为0.921。相对于行业等权为基准而言，周度胜率为53.65%，月度胜率为60.62%。
　　风险提示：
　　本报告中所有统计结果和模型方法均基于历史数据，不代表未来趋势。