القائمة
CSI1000 训练+预测流水线。使用 daily_pv_csi1000.h5，默认提取 csi_1000.md(7 个独立有效因子)+Alpha158(158) = 165 特征；可选 practice_factor.md(42 个实践因子)+Alpha158(158) = 200 特征。执行 walk-forward LightGBM 训练和预测。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
CSI300 训练+预测流水线。使用 daily_pv_csi300.h5，提取 Alpha158(158)+42 个增强因子=200 个特征，执行 walk-forward LightGBM 训练和预测。
Automated factor mining pipeline using rdagent fin_factor + DeepSeek LLM. Discovers, validates, and records non-duplicate quantitative factors across diverse categories (momentum, value, quality, growth, volatility, liquidity, leverage, cash flow, size, dividend).
Generate HDF5 data files from tushare/extra_data for a given index (CSI300/CSI1000/etc). Produces daily_pv_{index}.h5 with 58 raw fields, used by build_features_from_h5.py and fin_factor.
| name | train_csi1000 |
| description | CSI1000 训练+预测流水线。使用 daily_pv_csi1000.h5，默认提取 csi_1000.md(7 个独立有效因子)+Alpha158(158) = 165 特征；可选 practice_factor.md(42 个实践因子)+Alpha158(158) = 200 特征。执行 walk-forward LightGBM 训练和预测。 |
运行 CSI1000 的完整 train+predict 流水线：
rdagent_workspace/factor_data_template/daily_pv_csi1000.h5# 默认: 7 个 CSI1000 有效因子 + Alpha158 (165 特征)
/train_csi1000
# 指定实验名 (7 + 158)
/train_csi1000 <experiment_name>
# 使用 42 个实践因子 + Alpha158 (200 特征)
/train_csi1000 <experiment_name> practice_factor.md
csi_1000.md, 165 特征)Alpha158 (158 个价量因子) + 7 个 CSI1000 独立有效因子
内部执行:
PRACTICE_FACTOR_FILE=tushare/csi_1000.md \
TARGET_MARKET=csi1000 \
TARGET_BENCHMARK=SH000852 \
bash run_new_factor_practice ${exp_name:-csi1000_train} --force-stage0
Alpha158 (158 个价量因子) + 42 个实践因子 (v3.0)
内部执行:
PRACTICE_FACTOR_FILE=tushare/practice_factor.md \
TARGET_MARKET=csi1000 \
TARGET_BENCHMARK=SH000852 \
bash run_new_factor_practice ${exp_name:-csi1000_train} --force-stage0
rdagent_workspace/factor_data_template/daily_pv_csi1000.h5
/gen_tushare_h5 csi1000 生成zhuhai123/qlib-rdagent:v1（或其他通过 DOCKER_IMAGE 环境变量指定）DATA/analysis_outputs/<exp_name>/model_predict/factor_ic_summary_test.csvfactor_ic_summary_valid.csvmodel_predict/walk_forward/ 下各 fold 目录model_predict/full_backtest/csi_1000.md| # | 因子名称 | 类型 | 方向 | Test RankIC | Test IR |
|---|---|---|---|---|---|
| 1 | Size | 市值/规模 | 负向 | -0.075 | -0.643 |
| 2 | avg_normalized_range_5d | 波动率 | 负向 | -0.069 | -0.354 |
| 3 | RealizedVolatility_20d | 波动率 | 负向 | -0.065 | -0.335 |
| 4 | MAX_20d | 行为金融 | 负向 | -0.064 | -0.407 |
| 5 | Turnover | 流动性 | 负向 | -0.064 | -0.370 |
| 6 | Amihud_20d | 非流动性 | 正向 | +0.066 | +0.503 |
| 7 | Sector_Relative_PB | 估值(行业中性) | 负向 | -0.041 | -0.536 |
总特征数: 165
42 个实践因子 (v3.0) + Alpha158 (158 个价量因子)
总特征数: 200
详见 tushare/practice_factor.md。