메뉴
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。
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
SOC 직업 분류 기준
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。