每晚自动跑模型，次日给你一份 CSI300 选股清单。准不准？有复盘数据可查。
👉 查看每日预测结果 · 📊 复盘统计：历史预测准确度
⚠️ 量化预测仅供参考，不构成投资建议。股市有风险，入市需谨慎。
- 全自动：每晚 8 点左右自动拉数据、训练、选股，次日直接看结果
- 多模型集成：20 个模型（4 种算法 × 5 种回溯周期）投票，降低单模型过拟合
- 可验证：有复盘统计，历史预测的胜率、止盈表现一目了然
- 规则过滤：按波动率、动量等规则筛掉高风险标的，输出更稳健的
filter_ret表
预测分数（avg_score）：基于当天收盘数据，预测「明天收盘买、后天收盘卖」的期望收益率。
- 分数越高，模型越看好
pos_ratio：有多少个模型预测正收益，如 0.875 表示 8 个模型里 7 个看涨- 想看更细的说明：📖 帮助文档
我们定期对历史预测做复盘，统计止盈胜率、持有一天收益等。
👉 复盘统计分析
小贴士：实盘不必死等收盘价买入。若当日已明显拉升，可挂个稍低的价格，等更合适的机会。
graph LR
A[数据源] --> B[训练]
B --> C[分析]
C --> D[复盘]
D --> E[页面展示]
- 数据：自动从 chenditc/investment_data 拉取最新 A 股数据
- 训练：XGBoost、LightGBM、DoubleEnsemble、Linear，滚动 1～5 年历史
- 筛选：按 IC、ICIR、Rank IC 等指标筛出表现较好的模型
- 预测：多模型平均分数，生成
xxx_ret、xxx_filter_ret汇总表
自动调度可能排队，实际执行可能延后。
直接打开 每日预测结果，按日期看最新表格。优先看 xxx_filter_ret，已做稳健性过滤。
pip install -r requirements.txt
cd ./roll && python ./roll.py data update
cd ./roll && python ./roll.py model decompress_mlruns # 解压最新模型
cd ./roll && python ./roll.py model selection # 生成预测或解压 GitHub Releases 中的模型包到 ~/qlibAssistant/mlruns。
本项目初衷为作者自用的量化脚本，目前正处于从「个人工具」向「开源项目」过渡的完善与规范阶段。
以下内容面向希望本地复现或二次开发的用户。
graph TD
A[定时触发 20:00 CST] --> B[数据同步 chenditc/investment_data]
B --> C[20 模型并行训练/更新]
C --> D[模型打包并发布至 Release]
D --> E[触发 Analysis 任务]
E --> F[按 IC/ICIR 筛选模型]
F --> G[多模型得分简单平均集成]
G --> H[生成次日 Top 选股报告]
H --> I[对历史预测进行复盘]
I --> J[生成网页]
- 基础算法：XGBoost、LightGBM、DoubleEnsemble、Linear
- 训练窗口：滚动回溯过去 1～5 年历史数据，共得到 20 个模型
- 模型筛选：按 IC、ICIR、Rank IC、Rank ICIR 等指标筛选表现较好的模型
- 聚合方式：对通过筛选的模型预测分（Score）取简单平均
| 模块 | 说明 |
|---|---|
数据管理 (data) |
从 chenditc/investment_data 同步最新 A 股日线数据 |
模型训练 (train) |
支持断点续训，自动管理模型实验 |
模型预测 (model) |
筛选最优模型并执行推理，输出 xxx_ret、xxx_filter_ret 等汇总表 |
第一步：准备环境与数据
pip install -r requirements.txt
cd ./roll && python ./roll.py data update第二步：模型训练
# 滚动训练 LightGBM 模型
cd ./roll && python ./roll.py --pfx_name="EXP" --model_name="LightGBM" --dataset_name="Alpha158" --stock_pool="csi300" --rolling_type="custom" train start_custom
# 使用 CI 同款方式训练 20 个模型（1～5 年周期）
cd ./roll && python ../script/run.py
# 或直接解压仓库自带的最新模型（每日更新）到 ~/.qlibAssistant/mlruns
cd ./roll && python roll.py model decompress_mlruns第三步：生成预测
cd ./roll && python ./roll.py model selection- 目标 (Label)：基于 T 日收盘数据，预测「T+1 日收盘买入、T+2 日收盘卖出」的期望收益率（理论值，未考虑 A 股 10% 涨跌停限制）
- 下载最新模型：📦 GitHub Releases
- chenditc/investment_data 提供qlib数据源
- microsoft/qlib 提供免费的量化框架
如有更好的因子建议或模型优化方案，欢迎提交 Issue 或 Pull Request。
