strategy-model-engine

name	strategy-model-engine
version	1.0.0
description	A股策略开发与模型训练引擎。支持截面多因子选股模型（LightGBM/CatBoost/逻辑回归/随机森林）、超参数优化（Optuna）以及实验管理（MLflow）。内置过拟合防范机制（分组时序交叉验证 Purged Group Time Series Split）与策略模板库。支持 alpha 表达式引擎和动态权重分配。
author	quant-team
license	MIT
tags	["quant-trading","A股","model-engine","机器学习","LightGBM","策略开发"]
dependencies	["lightgbm>=4.0.0","catboost>=1.2.0","scikit-learn>=1.3.0","optuna>=3.0.0","mlflow>=2.0.0","pandas>=2.0.0","numpy>=1.24.0"]
environment_variables	[{"name":"MODEL_TYPE","description":"模型类型（lightgbm / catboost / logistic_regression / random_forest）","required":false,"default":"lightgbm"},{"name":"QUANT_WORK_DIR","description":"工作目录根路径","required":false,"default":"./workspace"},{"name":"LABEL_TYPE","description":"标签类型（regression / classification）","required":false,"default":"regression"},{"name":"OPTUNA_TRIALS","description":"Optuna 超参搜索次数","required":false,"default":"100"},{"name":"OPTUNA_TIMEOUT","description":"Optuna 超时时间（秒）","required":false,"default":"3600"},{"name":"MLFLOW_TRACKING_URI","description":"MLflow 跟踪服务 URI","required":false},{"name":"MLFLOW_EXPERIMENT_NAME","description":"MLflow 实验名","required":false,"default":"jingnitrader"}]
language	python
python_version	3.9+
entry_point	engine.py
model_types	["lightgbm","catboost","logistic_regression","random_forest"]
trigger_keywords	["模型训练","策略开发","截面选股","择时","机器学习","LightGBM","超参数优化","实验管理"]

strategy-model-engine

概述

strategy-model-engine 是 A 股量化投研的策略开发与模型训练引擎，提供：

1. 多模型支持：LightGBM、CatBoost、逻辑回归、随机森林
2. 超参数优化：Optuna 自动调参（支持搜索次数和超时限制）
3. 实验追踪：MLflow 模型版本管理
4. 防过拟合：分组时序交叉验证（Purged Group Time Series Split），含清洗期（purge gap）

模型训练流程

1. 数据准备：加载因子数据，构建特征矩阵 X 和标签 y
2. 样本划分：Purged Group Time Series Split（训练窗口 36 月 / 验证窗口 12 月 / 测试窗口 12 月）
3. 超参数搜索：Optuna 在验证集上优化
4. 模型训练：使用最优参数训练
5. 样本外测试：在最近时间段评估
6. 模型保存：MLflow 记录实验，保存模型文件（joblib）

模型类型

模型	适用场景	说明
lightgbm	截面多因子选股	默认模型，速度快、效果好
catboost	含类别特征的截面选股	自动处理类别特征
logistic_regression	涨跌二分类预测	简单可解释
random_forest	非线性特征交互	防过拟合能力较强

训练参数

参数	默认值	说明
TRAIN_WINDOW_MONTHS	36	训练窗口（月）
VALIDATION_WINDOW_MONTHS	12	验证窗口（月）
TEST_WINDOW_MONTHS	12	测试窗口（月）
PURGE_GAP_DAYS	2	清洗期（天），防止训练集和验证集重叠
FORWARD_PERIOD	20	前视期（天），标签为 T+20 日收益
OPTUNA_TRIALS	100	Optuna 搜索次数
OPTUNA_TIMEOUT	3600	Optuna 超时（秒）

使用示例

Python API

from engine import run
from scripts.context import Context

ctx = Context(
    task_id="task_001",
    user_intent="训练模型",
    current_stage=
)

result = run(ctx)