| 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。 |
/train_csi1000
运行 CSI1000 的完整 train+predict 流水线：
- H5 数据:
rdagent_workspace/factor_data_template/daily_pv_csi1000.h5
- 模型: LightGBM (walk-forward, 5 folds)
用法
/train_csi1000
/train_csi1000 <experiment_name>
/train_csi1000 <experiment_name> practice_factor.md
默认模式 (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
practice_factor.md 模式 (200 特征)
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
前置条件
- H5 文件:
rdagent_workspace/factor_data_template/daily_pv_csi1000.h5
- 如果不存在，先运行
/gen_tushare_h5 csi1000 生成
- Docker 镜像:
zhuhai123/qlib-rdagent:v1（或其他通过 DOCKER_IMAGE 环境变量指定）
输出
- IC 分析:
DATA/analysis_outputs/<exp_name>/model_predict/factor_ic_summary_test.csv
- 验证集 IC:
factor_ic_summary_valid.csv
- Walk-forward 模型:
model_predict/walk_forward/ 下各 fold 目录
- 回测报告:
model_predict/full_backtest/
因子说明
默认模式: 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 |
- Alpha158 (158 个价量因子: 9 KBar + 4 Price + 145 Rolling)
总特征数: 165
practice_factor.md 模式
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。
