# v6.6 模型发布说明

**版本**: v6.6
**发布日期**: 2026-06-16
**状态**: 生产就绪

---

## 一、模型架构

v6.6 采用 **Stacking Calibrated** 三层融合架构：

```
输入特征 (52维 v3.4)
       │
       ▼
┌─────────────────┐    ┌─────────────────┐
│  Rank 模型       │    │  Top 模型        │
│  LGBMRegressor   │    │  LGBMClassifier  │
│  预测网格轮回次数 │    │  分类精英股票     │
│  CV MAE: 0.2053  │    │  CV PR-AUC: 0.53│
│  CV R²: 0.2258   │    │                  │
└────────┬────────┘    └────────┬────────┘
        │                      │
        └──────────┬───────────┘
                   ▼
        ┌─────────────────────┐
        │  Stacking 模型       │
        │  LGBMClassifier      │
        │  CV PR-AUC: 0.8207  │
        │  最优阈值: 0.35       │
        └──────────┬──────────┘
                   ▼
             最终 top 概率
```

---

## 二、训练数据

| 指标 | 数值 |
|------|------|
| 特征版本 | v3.4 (52维) |
| 原始股票数 | 4,358 |
| 过滤后股票数 | 1,533 |
| 训练样本数 | 205,491 |
| 观察窗口 | 120天 |
| 预测窗口 | 60天 |
| 零触碰率 | 71.1% |
| Elite率 | 20.5% |

---

## 三、模型性能

### Rank模型 (回归)
| 指标 | 数值 |
|------|------|
| CV MAE | 0.2053 |
| CV R² | 0.2258 |
| 最优参数 | num_leaves=63, min_child_samples=30, max_depth=7 |

### Top模型 (分类)
| 指标 | 数值 |
|------|------|
| CV PR-AUC | 0.5333 |
| 最优参数 | num_leaves=63, min_child_samples=30, max_depth=-1 |

### Stacking融合模型
| 指标 | 数值 |
|------|------|
| CV PR-AUC | **0.8207** |
| 最优阈值 | 0.35 |
| 最优参数 | num_leaves=31, min_child_samples=20, max_depth=-1 |

---

## 四、Top 10 重要特征

### Rank模型
| 排名 | 特征 | 重要性% |
|------|------|---------|
| 1 | dist_to_grid_upper | 4.38% |
| 2 | dist_to_grid_lower | 4.26% |
| 3 | price_cv | 4.09% |
| 4 | amount_mean_20d | 3.98% |
| 5 | range_compression_20d | 3.48% |

### Stacking融合
| 排名 | 特征 | 重要性% |
|------|------|---------|
| 1 | rank_predicted_rounds | 20.87% |
| 2 | top_elite_prob | 19.38% |
| 3 | ma20_deviation_pct | 5.35% |
| 4 | atr_pct | 4.93% |
| 5 | dist_to_grid_lower | 3.75% |

---

## 五、周评分回测结果 (2023-04 ~ 2026-04)

| 指标 | v6.6 数值 |
|------|-----------|
| **总收益率** | **+36.79%** |
| 年化夏普 | 0.8494 |
| 最大回撤 | -12.70% |
| 胜率(周) | 48.7% |
| 交易次数 | 277 (147买, 130卖) |
| 最大持仓 | 10只 |

### 年度收益
| 年度 | 收益 |
|------|------|
| 2023 | +2.09% |
| 2024 | +28.34% |
| 2025 | +7.32% |
| 2026 | +0.52% |

---

## 六、与v6.5对比

| 指标 | v6.5 | v6.6 | 变化 |
|------|------|------|------|
| Stacking PR-AUC | 0.5234 | **0.8207** | +57% |
| 特征数 | 37维 | **52维** | +15维 |
| Top PR-AUC | 0.3923 | 0.5333 | +36% |
| 回测收益率 | 59.82% | 36.79%* | - |
| 回测最大回撤 | -33.47% | **-12.70%** | -62% |

\* v6.6使用周评分回测（157周），v6.5使用日评分回测（723天），粒度不同

---

## 七、模型文件

| 文件 | 说明 |
|------|------|
| `rank.pkl` | Rank模型 (预测网格轮回次数) |
| `top.pkl` | Top模型 (分类精英股票) |
| `stacking.pkl` | Stacking融合模型 |
| `rank_feature_importance.csv` | Rank特征重要性 |
| `top_feature_importance.csv` | Top特征重要性 |
| `stacking_feature_importance.csv` | Stacking特征重要性 |
| `training_summary.json` | 训练摘要 |

---

## 八、使用方式

```python
import pickle
import numpy as np

# 加载模型
with open("rank.pkl", "rb") as f:
    rank_md = pickle.load(f)
with open("top.pkl", "rb") as f:
    top_md = pickle.load(f)
with open("stacking.pkl", "rb") as f:
    stacking_md = pickle.load(f)

# 预测
rank_pred = rank_md["model"].predict(features)
top_prob = top_md["model"].predict_proba(features)[:, 1]
stacking_prob = stacking_md["model"].predict_proba(features)[:, 1]

# 选股
threshold = 0.35  # stacking最优阈值
top_picks = scores[scores["stacking_prob"] >= threshold]
```

---

## 九、Registry配置

```yaml
# grid_seeker/registry.yaml
production:
  version: v6.6
  architecture: stacking_calibrated
  models:
    stacking: versions/6.6/output/stacking.pkl
    rank: versions/6.6/output/rank.pkl
    top: versions/6.6/output/top.pkl
  feature_version: v3.4
  training_samples: 205491
```

---

## 十、注意事项

1. **特征版本**: 必须使用 v3.4 特征（52维），与v6.5/v6.4不兼容
2. **Stacking阈值**: 推荐使用 0.35 作为选股阈值
3. **持股上限**: 建议不超过10只
4. **价格区间**: 适合7-10元区间股票