Scikit-Learn Stock Trend

使用传统机器学习模型预测股票涨跌：构建技术指标特征，定义未来 N 日涨跌标签，用随机森林等模型训练与评估。

参考思路：PureSaber/Stock-Trend-Forecast-SKL

技术栈

Python · Scikit-learn · XGBoost · Pandas · AKShare · Matplotlib

目录结构

sklearn-stock-trend/
├── configs/
│   ├── default.yaml
│   ├── xgboost.yaml
│   ├── walkforward_tuned.yaml
│   ├── multisymbol.yaml
│   ├── multisymbol_xgb.yaml
│   ├── multisymbol_ensemble.yaml
│   ├── ensemble.yaml
│   ├── walkforward_xgb.yaml
│   ├── symbols_top.yaml
│   ├── symbols.yaml
│   └── experiments/
├── src/stock_trend/
│   ├── data.py
│   ├── features.py
│   ├── labels.py
│   ├── dataset.py
│   ├── tuning.py
│   ├── models.py
│   ├── ensemble.py
│   ├── symbol_tuning.py
│   ├── train.py
│   ├── evaluate.py
│   ├── backtest.py
│   ├── walkforward.py
│   ├── experiment.py
│   ├── multisymbol.py
│   └── multisymbol_walkforward.py
├── .github/workflows/ci.yml
├── notebooks/
│   └── 01_eda_backtest.ipynb
├── tests/
└── outputs/

快速开始

python -m venv .venv
.venv\Scripts\activate

pip install -e ".[dev]"

# CLI 入口（安装后可用）
st-train --config configs/default.yaml
st-evaluate --config configs/default.yaml
st-backtest --config configs/default.yaml
st-walkforward --config configs/default.yaml

# 等价 python -m 形式
python -m stock_trend.train --config configs/default.yaml
python -m stock_trend.evaluate --config configs/default.yaml
python -m stock_trend.backtest --config configs/default.yaml

# Walk-forward 滚动 OOS 评估
python -m stock_trend.walkforward --config configs/default.yaml

# Walk-forward + 每折调参
python -m stock_trend.walkforward --config configs/walkforward_tuned.yaml

# XGBoost 训练
python -m stock_trend.train --config configs/xgboost.yaml

# 多标的泛化验证（RF / XGBoost）
python -m stock_trend.multisymbol --config configs/multisymbol.yaml --symbols configs/symbols.yaml
python -m stock_trend.multisymbol --config configs/multisymbol_xgb.yaml --symbols configs/symbols.yaml

# RF + XGBoost 概率集成 + 按标的调 proba 阈值
python -m stock_trend.train --config configs/ensemble.yaml
python -m stock_trend.backtest --config configs/ensemble.yaml

# 多标的 + 集成 + 按标的调参
python -m stock_trend.multisymbol --config configs/multisymbol_ensemble.yaml --symbols configs/symbols_top.yaml

# 亮眼标的 walk-forward 批量验证（XGB + 每折调参）
python -m stock_trend.multisymbol_walkforward --config configs/walkforward_xgb.yaml --symbols configs/symbols_top.yaml

# 批量对比实验
python -m stock_trend.experiment --configs-dir configs/experiments
pytest -q

新增功能

功能	说明
st-* CLI	st-train, st-backtest, st-evaluate, st-walkforward, st-multisymbol, st-experiment
signals.export	导出 outputs/proba_signals.parquet（date, symbol, proba_up, signal）
HTML 报告	回测后生成 outputs/latest/report.html
backtest.retail_mode	A 股散户约束：1 万本金、100 股整手、最低佣金、印花税、T+1
configs/run_retail_10k.yaml	散户 1 万回测示例配置
tuning.cv_mode: purged	Purged + Embargo 时序 CV，减少标签重叠泄露
TaskSolver	goals/sklearn-complete.yaml 自动化验收（见 AGENTS.md）

配置要点

配置块	作用
label.threshold	未来 N 日收益超过阈值才标为涨
tuning.enabled	训练集上 CV 自动搜参
tuning.cv_mode	timeseries 或 purged（推荐，配合 label_horizon）
signals.export	是否导出概率信号 Parquet
backtest.retail_mode	启用离散整手 + T+1 散户回测
backtest.proba_threshold	概率信号阈值（实验最优约 0.65）
backtest.commission_rate	单边佣金率（如 0.0003）
backtest.slippage	单边滑点（如 0.0001）
model.type	random_forest、xgboost 或 ensemble（RF+XGB 概率平均）
symbol_tuning.tune_proba_threshold	训练集尾部切验证集，按 F1 选最优 proba_threshold
walkforward.tune_per_fold	每折 walk-forward 内嵌 TimeSeriesSplit 调参
configs/symbols.yaml	多标的列表

训练后查看 outputs/feature_importance.csv 了解各特征贡献。

学习目标

• 监督学习在金融中的应用流程
• 特征工程与过拟合防范（时序 CV、正则化）
• 模型评估与时间序列交叉验证
• 预测信号 → 策略回测 → 与基准对比
• Walk-forward 滚动样本外验证与多标的泛化测试

相关仓库

• a-share-multifactor — 多因子选股
• currency-converter — 辅助工具
• quant-research-notes — 学习路线图