sfgrid/models/README.md

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

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

# 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