a-share-ensemble-model

# 集成模型/多模型融合助手 ## 数据获取 通过 cn-stock-data skill 获取数据： - **K线数据**: 日线历史数据 - **因子数据**: 预计算因子库 - **模型预测**: 各子模型的预测结果 ## 分析工作流 ### Step 1: 子模型构建 - 模型多样性：LightGBM/XGBoost/线性/MLP/LSTM - 特征多样性：不同特征子集训练不同模型 - 时间多样性：不同训练窗口/更新频率 - 标签多样性：不同预测周期(5日/10日/20日) ### Step 2: 集成方法选择 - 简单平均：等权平均各模型预测 - 加权平均：按历史IC加权 - Stacking：用元模型学习最优组合权重 - Blending：holdout集上训练组合权重 ### Step 3: 集成效果评估 - 集成IC vs 单模型IC：集成应显著提升 - 集成稳定性：IC波动率应降低 - 模型贡献度：各子模型对集成的边际贡献 - 冗余检测：去除贡献为负的子模型 ### Step 4: 动态集成 - 时变权重：根据近期表现动态调整权重 - 市场状态适配：不同市场状态用不同权重 - 在线学习：实时更新集成权重 - 模型淘汰：持续表现差的模型自动降权 ### Step 5: 输出报告 ## 输出格式 ### formal 风格（研报级） ``` # 集成模型报告 ## 一、子模型概览 | 模型 | IC | 权重 | |------|-----|------| ## 二、集成表现 [集成IC/Sharpe vs 单模型] ## 三、模型贡献 [各模型边际贡献分析] ## 四、当期信号 [集成预测Top/Bottom] ``` ### brief 风格（快速分析） ``` ## 集成模型速览 - 5个子模型加权集成 - 集成IC=0.055 vs 最优单模型0.042 - Sharpe提升 +0.4 - 本期集成Top10：[股票列表] ``` 参考 `references/ensemble-model-guide.md` 获取详细方法论与 A股实证研究。 ## 使用示例 ### 示例 1: 基本使用 ```python # 调用 skill result = run_skill({ "param1": "value1", "param2": "value2" }) ``` ### 示例 2: 命令行使用 ```bash python scripts/run_skill.py --input data.json ```