train-csi1000

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

# 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

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。