src/training/components/models/__init__.py

"""模型子模块

包含各种机器学习模型的实现。
"""

from src.training.components.models.lightgbm import LightGBMModel
from src.training.components.models.lightgbm_lambdarank import LightGBMLambdaRankModel
from src.training.components.models.tabpfn_model import TabPFNModel
from src.training.components.models.tabm_model import TabMModel
from src.training.components.models.tabm_rank_model import (
    TabMRankModel,
    EnsembleListNetLoss,
    EnsembleLambdaLoss,
)
from src.training.components.models.cross_section_sampler import CrossSectionSampler
from src.training.components.models.ensemble_quant_loss import EnsembleQuantLoss

__all__ = [
    "LightGBMModel",
    "LightGBMLambdaRankModel",
    "TabPFNModel",
    "TabMModel",
    "TabMRankModel",
    "EnsembleListNetLoss",
    "EnsembleLambdaLoss",
    "CrossSectionSampler",
    "EnsembleQuantLoss",
]
feat(training): 实现 LightGBM 模型 - 新增 LightGBMModel：LightGBM 回归模型实现 - 支持自定义参数（objective, num_leaves, learning_rate, n_estimators 等） - 使用 LightGBM 原生格式保存/加载模型（不依赖 pickle） - 支持特征重要性提取 - 已注册到 ModelRegistry（@register_model("lightgbm")） 2026-03-03 22:30:37 +08:00			`"""模型子模块`

			`包含各种机器学习模型的实现。`
			`"""`

			`from src.training.components.models.lightgbm import LightGBMModel`
feat(training): 添加 LightGBM LambdaRank 排序学习功能新增基于 LambdaRank 的排序学习模型，用于股票排序预测任务： - 实现 LightGBMLambdaRankModel 模型类，支持分位数标签转换 - 提供完整的训练流程和 NDCG 评估指标 - 添加实验 Notebook 演示排序学习全流程 2026-03-10 22:23:44 +08:00			`from src.training.components.models.lightgbm_lambdarank import LightGBMLambdaRankModel`
feat(training): 新增 TabM 模型支持及数据质量优化 - 添加 TabMModel、TabPFNModel 深度学习模型实现 - 新增 DataQualityAnalyzer 进行训练前数据质量诊断 - 改进数据处理器 NaN/null 双重处理，增强数据鲁棒性 - 支持 train_skip_days 参数跳过训练初期数据不足期 - Pipeline 自动清理标签为 NaN 的样本 2026-03-31 23:11:21 +08:00			`from src.training.components.models.tabpfn_model import TabPFNModel`
			`from src.training.components.models.tabm_model import TabMModel`
feat(training): 新增 TabM 排序学习模型支持并优化训练流程 - 新增 TabMRankModel、TabMRankTask 及配套损失函数与配置 - 将 DataQualityAnalyzer 从 experiment 迁移至 training 模块 - 调整数据处理器移除过度的 NaN/null 硬填充逻辑 - 优化 RankTask 评估指标使用分位数标签替代原始收益率 - 更新实验脚本处理器顺序与模型超参数配置 2026-04-04 22:39:58 +08:00			`from src.training.components.models.tabm_rank_model import (`
			`TabMRankModel,`
			`EnsembleListNetLoss,`
			`EnsembleLambdaLoss,`
			`)`
feat(training): TabM模型量化交易优化 - 新增 CrossSectionSampler 支持截面数据采样（按交易日批处理） - 新增 EnsembleQuantLoss (Huber + IC) 替代 MSE 作为损失函数 - 重构 TabMModel 支持量化场景：Rank IC 作为验证指标、CosineAnnealingLR学习率调度、梯度裁剪 - 支持 date_col 参数和特征对齐 - 更新实验配置 batch_size 2048 和 weight_decay 等超参数 2026-04-01 00:20:05 +08:00			`from src.training.components.models.cross_section_sampler import CrossSectionSampler`
			`from src.training.components.models.ensemble_quant_loss import EnsembleQuantLoss`
feat(training): 实现 LightGBM 模型 - 新增 LightGBMModel：LightGBM 回归模型实现 - 支持自定义参数（objective, num_leaves, learning_rate, n_estimators 等） - 使用 LightGBM 原生格式保存/加载模型（不依赖 pickle） - 支持特征重要性提取 - 已注册到 ModelRegistry（@register_model("lightgbm")） 2026-03-03 22:30:37 +08:00
feat(training): TabM模型量化交易优化 - 新增 CrossSectionSampler 支持截面数据采样（按交易日批处理） - 新增 EnsembleQuantLoss (Huber + IC) 替代 MSE 作为损失函数 - 重构 TabMModel 支持量化场景：Rank IC 作为验证指标、CosineAnnealingLR学习率调度、梯度裁剪 - 支持 date_col 参数和特征对齐 - 更新实验配置 batch_size 2048 和 weight_decay 等超参数 2026-04-01 00:20:05 +08:00			`__all__ = [`
			`"LightGBMModel",`
			`"LightGBMLambdaRankModel",`
			`"TabPFNModel",`
			`"TabMModel",`
feat(training): 新增 TabM 排序学习模型支持并优化训练流程 - 新增 TabMRankModel、TabMRankTask 及配套损失函数与配置 - 将 DataQualityAnalyzer 从 experiment 迁移至 training 模块 - 调整数据处理器移除过度的 NaN/null 硬填充逻辑 - 优化 RankTask 评估指标使用分位数标签替代原始收益率 - 更新实验脚本处理器顺序与模型超参数配置 2026-04-04 22:39:58 +08:00			`"TabMRankModel",`
			`"EnsembleListNetLoss",`
			`"EnsembleLambdaLoss",`
feat(training): TabM模型量化交易优化 - 新增 CrossSectionSampler 支持截面数据采样（按交易日批处理） - 新增 EnsembleQuantLoss (Huber + IC) 替代 MSE 作为损失函数 - 重构 TabMModel 支持量化场景：Rank IC 作为验证指标、CosineAnnealingLR学习率调度、梯度裁剪 - 支持 date_col 参数和特征对齐 - 更新实验配置 batch_size 2048 和 weight_decay 等超参数 2026-04-01 00:20:05 +08:00			`"CrossSectionSampler",`
			`"EnsembleQuantLoss",`
			`]`