aifinlab 集成模型/多模型融合助手
数据获取
通过 cn-stock-data skill 获取数据：
- K线数据: 日线历史数据
- 因子数据: 预计算因子库
- 模型预测: 各子模型的预测结果
分析工作流
Step 1: 子模型构建
- 模型多样性：LightGBM/XGBoost/线性/MLP/LSTM
- 特征多样性：不同特征子集训练不同模型
- 时间多样性：不同训练窗口/更新频率
- 标签多样性：不同预测周期(5日/10日/20日)
Step 2: 集成方法选择
- 简单平均：等权平均各模型预测
- 加权平均：按历史IC加权
- Stacking：用元模型学习最优组合权重
- Blending：holdout集上训练组合权重
Step 3: 集成效果评估
- 集成IC vs 单模型IC：集成应显著提升
- 集成稳定性：IC波动率应降低
- 模型贡献度：各子模型对集成的边际贡献
- 冗余检测：去除贡献为负的子模型
Step 4: 动态集成
- 时变权重：根据近期表现动态调整权重
- 市场状态适配：不同市场状态用不同权重
- 在线学习：实时更新集成权重
- 模型淘汰：持续表现差的模型自动降权
Step 5: 输出报告
输出格式
formal 风格（研报级）
# 集成模型报告
## 一、子模型概览
| 模型 | IC | 权重 |
|------|-----|------|
## 二、集成表现
[集成IC/Sharpe vs 单模型]
## 三、模型贡献
[各模型边际贡献分析]
## 四、当期信号
[集成预测Top/Bottom]
brief 风格（快速分析）
## 集成模型速览
- 5个子模型加权集成
- 集成IC=0.055 vs 最优单模型0.042
- Sharpe提升 +0.4
- 本期集成Top10：[股票列表]
参考 references/ensemble-model-guide.md 获取详细方法论与 A股实证研究。
使用示例
示例 1: 基本使用
# 调用 skill
result = run_skill({
"param1": "value1",
"param2": "value2"
})
示例 2: 命令行使用
python scripts/run_skill.py --input data.json