16 KiB
v6.4 生产模型体系详细说明
一、整体架构
v6.4 是一个四层串联的 LightGBM 模型体系，按照“排序 → 精选 → 校准 → 定价”的流程协同工作。
输入：一只股票的原始行情数据（K线、成交量等）
│
▼
┌─────────────────────────────────────┐
│ 第1层：Rank（全市场排序） │
│ 模型：LGBMRegressor │
│ 输入：38维特征（34基础 + 4情绪） │
│ 输出：rank_predicted_rounds │
│ 角色：初级分析师，回答“谁更活跃” │
└─────────────────────────────────────┘
│
▼
┌─────────────────────────────────────┐
│ 第2层：Top（头部精选） │
│ 模型：LGBMClassifier │
│ 输入：35维（34基础 + Rank预测值） │
│ 输出：top_elite_prob（0~1） │
│ 角色：资深专家，回答“谁是头部5%” │
└─────────────────────────────────────┘
│
▼
┌─────────────────────────────────────┐
│ 第3层：Stacking（融合校准） │
│ 模型：LGBMRegressor │
│ 输入：36维（34基础 + Rank + Top） │
│ 输出：calibrated_prob │
│ 角色：投资总监，回答“综合谁最好” │
└─────────────────────────────────────┘
│
▼
┌─────────────────────────────────────┐
│ 第4层：Meta Ranker（定价决策） │
│ 模型：LGBMRegressor │
│ 输入：3维（价格 + Stacking + Rank）│
│ 输出：predicted_profit │
│ 角色：定价师，回答“买谁最赚钱” │
└─────────────────────────────────────┘
│
▼
最终选出预测利润最高的10只建仓
二、各层模型详细说明
2.1 Rank 模型——全市场排序
| 属性 | 说明 |
|---|---|
| 文件 | rank.pkl |
| 模型类型 | LightGBM 回归（LGBMRegressor） |
| 训练目标 | y_rounds（未来60天网格匹配轮回数，log1p变换） |
| 输入维度 | 38维（34基础特征 + 4情绪因子） |
| 输出 | rank_predicted_rounds（预测匹配轮数，log1p空间） |
| 核心指标 | Spearman 0.5355（5折交叉验证均值） |
| 训练样本 | 约21.2万条，覆盖1,799只股票 |
角色：Rank 是整个链条的起点。它不关心价格合不合适、不关心最终能不能赚钱，只做一件事——给全市场股票排序，预测“谁最活跃”。它是整个体系中最依赖基础特征的模型。
输出如何被使用：Rank 的预测值作为 Top 模型的关键输入特征（第35维），也是 Stacking 和 Meta Ranker 的输入之一。它不以最终决策者的身份出现，而是作为“活跃度信号”传递给下游。
2.2 Top 模型——头部精选
| 属性 | 说明 |
|---|---|
| 文件 | top.pkl |
| 模型类型 | LightGBM 分类（LGBMClassifier） |
| 训练目标 | 是否属于同 period 内 P95 头部（二分类） |
| 输入维度 | 35维（34基础特征 + rank_predicted_rounds） |
| 输出 | top_elite_prob（特等契合概率，0~1） |
| 核心指标 | PR-AUC 0.3389，Top5命中率 100%，Top10命中率 100% |
| 训练样本 | 与 Rank 相同 |
角色：Top 是“站在 Rank 肩膀上”的精选专家。它不自己做全市场排序，而是用 Rank 的输出作为最重要的参考信号，从中识别出“头部 5%”的特等契合标的。它的标签不是看绝对匹配次数的高低，而是看“在同一时期的所有股票里，是不是最优秀的那一批”。
标签构造逻辑：
- 将训练样本按
period_id（时间段）分组 - 在每个
period_id内，取y_rounds的 P95 分位数作为阈值 y_rounds >= P95→ 标签=1（正样本，头部5%）y_rounds < P95→ 标签=0（负样本）
为什么要用 period_id 分组：不同时期的网格活跃度差异很大。2024年2月恐慌期和2024年10月亢奋期，全市场的匹配次数分布完全不同。如果不用 period_id 分组，模型会把“恐慌期的中等活跃”和“亢奋期的高活跃”错误对比。分组让 Top 学会的是“在当前环境下，这只股票是不是相对最好的”。
输出如何被使用：Top 的概率值作为 Stacking 的核心输入之一，帮助 Stacking 做最终校准。
2.3 Stacking 模型——融合校准
| 属性 | 说明 |
|---|---|
| 文件 | stacking_calibrated.pkl |
| 模型类型 | LightGBM 回归（LGBMRegressor） |
| 训练目标 | y_rounds（log1p变换） |
| 输入维度 | 36维（34基础特征 + rank_predicted_rounds + top_elite_prob） |
| 输出 | calibrated_prob（校准后的最终评分） |
| 核心指标 | Spearman 0.6932 |
| 训练样本 | 与 Rank 相同 |
角色：Stacking 是“投资总监”。它不像 Rank 那样直接看原始数据，也不像 Top 那样只做头部精选，而是综合所有可用信息——原始特征、Rank 的判断、Top 的判断——做一次最终的校准评分。它能学会“当 Rank 和 Top 意见一致时，强化信号；当两者矛盾时，折中处理”。
与 Meta Ranker 的本质区别：
- Stacking 回答的是“谁最好”（质量排序），不考虑价格
- Meta Ranker 回答的是“买谁最赚钱”（利润预测），必须考虑价格
输出如何被使用：在 v6.3 中，Stacking 的输出直接作为最终评分排序选股。在 v6.4 中，它退后半步，作为 Meta Ranker 的关键输入特征之一。
2.4 Meta Ranker 模型——定价决策
| 属性 | 说明 |
|---|---|
| 文件 | meta_ranker_v2.pkl |
| 模型类型 | LightGBM 回归（LGBMRegressor） |
| 训练目标 | future_60d_profit（买入后60天实际网格利润，log1p变换） |
| 输入维度 | 3维（latest_close + calibrated_prob + rank_predicted_rounds） |
| 输出 | predicted_profit（预测利润） |
| 核心指标 | Spearman 0.7663 |
| 训练样本 | 1,288条（v6.4自身回测产生的真实买入交易记录） |
角色：Meta Ranker 是 v6.4 区别于 v6.3 的核心创新。前三个模型都在回答“好不好”，Meta Ranker 回答的是“值不值”——以当前价格买入，未来60天能赚多少。
为什么要单独训练 Meta Ranker：Stacking 虽然擅长排序，但它不考虑入场价格。一只评分 0.99 的股票，如果当前价格太贵，向上空间很小，实际利润可能不如一只评分 0.70 但价格合适的股票。Meta Ranker 通过直接学习真实买入利润，学会了在“质量、活跃度、价格”三者之间做最优权衡。
训练样本的独特来源：Meta Ranker 的训练样本不来自候选池特征快照，而来自 v6.4 自身回测中实际发生的买入交易。每条样本记录了“以某个价格买入某只股票后，未来60天实际赚了多少”。这让 Meta Ranker 学到的是“真实交易的利润规律”，而不是“理论上的匹配次数规律”。
为什么样本量只有 1,288 条：利润标签比匹配轮数标签更难获取——必须模拟一次真实的买入操作，然后跟踪后续60天的网格交易结果。但 Meta Ranker 仅需少量高质量样本就能生效，因为它只需要学习 3 个特征的组合规律。
三、因子体系详细说明
3.1 34 维基础特征（按类别分组）
价格波动类（6个）
| 特征 | 中文名称 | 计算逻辑 | 对模型的意义 |
|---|---|---|---|
price_cv |
价格变异系数 | 观察窗口内收盘价标准差 / 均值 × 100 | 衡量价格离散程度，值越大说明价格波动越剧烈 |
volatility_20d |
20日波动率 | 近20日日收益率标准差 × sqrt(252) × 100 | 年化波动率，衡量短期波动强度 |
avg_daily_amp |
日均振幅 | 近20日 (high-low)/open × 100 的均值 | 日均波动幅度，直接反映网格触发潜力 |
atr_pct |
ATR百分比 | 14日ATR / 最新收盘价 × 100 | 考虑跳空缺口的真实波动，比单纯振幅更准确 |
bb_width |
布林带宽度 | (上轨-下轨)/中轨 × 100 | 价格通道宽度，过窄没有交易空间，过宽风险大 |
amplitude_cv |
振幅变异系数 | 近20日日振幅标准差 / 均值 | 衡量振幅稳定性，稳定高振幅比忽大忽小更好 |
成交量与资金类（6个）
| 特征 | 中文名称 | 计算逻辑 | 对模型的意义 |
|---|---|---|---|
amount_mean_20d |
20日平均成交额 | 近20日成交额均值 | 绝对成交活跃度 |
amount_cv_20d |
20日成交额变异系数 | 近20日成交额标准差/均值 | 成交稳定性 |
turnover_proxy_20d |
换手率代理 | 近20日成交量/总股本 | 相对成交活跃度，已标准化规模 |
volume_ratio |
量比 | 近20日均量 / 近60日均量 | >1放量，<1缩量 |
obv_slope |
OBV斜率 | 近20日OBV线性回归斜率 | 资金流向趋势，正=流入，负=流出 |
liquidity_drying_up_20d |
流动性枯竭 | 20日最低量 / 60日均量 | 负向指标，成交量急剧萎缩是风险信号 |
趋势与位置类（7个）
| 特征 | 中文名称 | 计算逻辑 | 对模型的意义 |
|---|---|---|---|
trend_slope_60d |
60日趋势斜率 | 近60日收盘价线性回归斜率 | 中长期趋势方向 |
trend_slope_20d |
20日趋势斜率 | 近20日收盘价线性回归斜率 | 短期趋势方向 |
trend_abs_slope_20d |
20日趋势绝对斜率 | 近20日趋势斜率的绝对值 | 趋势强度，不区分方向 |
drawdown_60d |
60日最大回撤 | 近60日最高点到最低点的跌幅 | 风险度量 |
range_position_60d |
60日区间位置 | (当前价-60日最低)/(60日最高-60日最低) | 当前价格在中期波动区间中的相对位置 |
rebound_from_low_60d |
60日低点反弹幅度 | (当前价-60日最低)/60日最低 | 从底部反弹的力度 |
intraday_trend_strength |
日内趋势强度 | 近20日 abs(close-open)/open 均值 | 日内单边vs震荡的度量 |
网格结构类（5个）
| 特征 | 中文名称 | 计算逻辑 | 对模型的意义 |
|---|---|---|---|
grid_room_balance |
网格空间均衡度 | (当前价到上界距离)/(当前价到下界距离) | 价格在网格区间内的位置是否均衡 |
grid_touch_count_60d |
60日网格触达次数 | 近60日K线触碰整数网格线的次数 | 价格在网格线附近活动的频率 |
dist_to_grid_upper |
距上方网格距离 | (11-当前价)/11 | 向上卖出的空间大小 |
dist_to_grid_lower |
距下方网格距离 | (当前价-1)/当前价 | 向下买入的空间大小 |
cross_freq_x_bb |
穿网频率×布林带宽 | 交互特征 | 网格穿越效率与价格通道的组合 |
市值与风格类（5个）
| 特征 | 中文名称 | 计算逻辑 | 对模型的意义 |
|---|---|---|---|
ln_float_mv |
流通市值对数 | log(流通市值) | 规模因子，小市值弹性更大 |
mv_vol_interact |
市值波动交互 | ln_float_mv × volatility_20d | 规模与波动的交互效应 |
small_cap_premium |
小市值溢价 | 1/(流通市值+1) | 市值越小值越大 |
amplitude_uniqueness_20d |
振幅独特性 | 个股振幅相对沪深300振幅的偏离度 | 独立于大盘的震荡程度 |
price_entropy |
价格分布熵 | 近60日收盘价分10bin计算信息熵 | 价格分布是否均匀 |
交互与辅助类（5个）
| 特征 | 中文名称 | 计算逻辑 | 对模型的意义 |
|---|---|---|---|
amp_x_grid |
振幅×网格占比 | avg_daily_amp × rolling_grid_ratio | 网格内可交易波动空间 |
amp_x_grid_vol |
振幅×网格×成交量 | 三维交互特征 | 带量支持的网格波动性 |
amp_cv_x_entropy |
振幅变异×价格熵 | 交互特征 | 波动不稳定度与价格分布复杂度 |
price_stagnation_20d |
20日价格停滞 | 近20日振幅极小程度 | 负向指标，价格过于呆滞不适合网格 |
gap_risk_20d |
20日跳空风险 | 近20日跳空次数或幅度 | 负向指标，跳空会导致网格失效 |
3.2 4个情绪因子（v6.3 Rank 的 38 维中包含）
| 特征 | 中文名称 | 计算逻辑 | 对模型的意义 |
|---|---|---|---|
relaxed_panic_rebound_strength |
宽松恐慌反弹强度 | 恐慌日最低点到次日最高点的平均反弹幅度 | 恐慌后修复能力 |
relaxed_panic_amplification_ratio |
宽松恐慌振幅放大比 | 恐慌日振幅 / 正常日振幅 | 恐慌时波动是否放大 |
relaxed_greed_relative_gain |
宽松贪婪相对涨幅 | 贪婪日个股涨幅 / 大盘涨幅 | 普涨时是否跟风 |
relaxed_greed_amplitude_ratio |
宽松贪婪振幅比 | 贪婪日振幅 / 正常日振幅 | 普涨时是否维持独立震荡 |
注意：这4个情绪因子只进入 Rank 模型（38维），不进入 Top（35维）和 Stacking（36维）。因为 Top 和 Stacking 通过 rank_predicted_rounds 间接获取情绪信号，不需要自己再学一遍。
计算窗口：情绪因子使用 180 天历史窗口（不是 120 天），这是历史口径的要求。
四、模型间的数据流
输入：股票的 OHLCV 数据
│
▼
34维基础特征计算 ← 依赖 K线 + 股本 + 指数数据
│
├── + 4个情绪因子 → 38维 → Rank模型 → rank_predicted_rounds (log1p空间)
│ │
├── 34基础 + rank_pred → 35维 → Top模型 → top_elite_prob (0~1)
│ │
├── 34基础 + rank_pred + top_prob → 36维 → Stacking模型 → calibrated_prob
│ │
└── latest_close + calibrated_prob + rank_pred → 3维 → Meta Ranker → predicted_profit
│
▼
最终排序选股
关键注意点：
- Rank 输出是 log1p 空间，传给 Top 时不做 expm1 还原（保持与 v6.4 训练口径一致）
- Top 输出直接是概率值，无需变换
- Meta Ranker 的输入
rank_predicted_rounds是还原后的原始值（expm1）
五、模型训练数据来源
| 模型 | 训练数据 | 样本量 | 覆盖股票 |
|---|---|---|---|
| Rank | share_fixed_training_frame.parquet |
211,976 | 1,799 |
| Top | 同上 | 同上 | 同上 |
| Stacking | 同上 | 同上 | 同上 |
| Meta Ranker | v6.4 自身回测产生的买入交易记录 | 1,288 | — |
Rank/Top/Stacking 共享同一份训练样本，这是 v5.0 时代固化的全历史滑窗样本。Meta Ranker 的训练样本完全不同——来自 v6.4 自身回测中实际发生的买入，每条记录包含真实利润。
六、关键参数汇总
| 参数 | 值 | 适用模型 |
|---|---|---|
| 补仓价格区间 | [9.0, 10.0] | 实盘回测 |
| 建仓价格区间 | [8.0, 11.0] | 实盘回测 |
| 淘汰阈值 | Top100 | 实盘回测 |
| TOP_N | 10 | 实盘回测 |
| 每格股数 | 200 | 实盘回测 |
| 初始资金 | 60,000 | 实盘回测 |
| 观察窗口 | 120天 | Rank/Top/Stacking 训练 |
| 标签窗口 | 60天 | Rank/Top/Stacking 训练 |
| 滑窗步长 | 20天 | Rank/Top/Stacking 训练 |
| 情绪窗口 | 180天 | 情绪因子计算 |