feat(experiment): 添加模型保存功能及因子信息持久化

- 新增 SAVE_MODEL 配置控制是否保存模型
- 新增 get_model_save_path() 生成模型保存路径
- 新增 save_model_with_factors() 保存模型及关联因子信息
- 新增 load_model_factors() 加载因子信息用于模型复现
- 更新训练脚本使用新的模型保存方式
- 清理 data/sync.py 中的废弃代码

src/experiment/common.py

@@ -5,7 +5,7 @@
 """
 
 from datetime import datetime
-from typing import List
+from typing import List, Optional
 
 import polars as pl
 
@@ -255,8 +255,7 @@ SELECTED_FACTORS = [
 ]
 
 # 因子定义字典（完整因子库，用于存放尚未注册到metadata的因子）
-FACTOR_DEFINITIONS = {
-}
+FACTOR_DEFINITIONS = {}
 
 
 def get_label_factor(label_name: str) -> dict:
@@ -417,7 +416,10 @@ STOCK_FILTER_REQUIRED_COLUMNS = ["total_mv"]
 # =============================================================================
 OUTPUT_DIR = "output"
 SAVE_PREDICTIONS = True
-PERSIST_MODEL = False
+
+# 模型保存配置
+SAVE_MODEL = True  # 是否保存模型
+MODEL_SAVE_DIR = "models"  # 模型保存目录
 
 # Top N 配置：每日推荐股票数量
 TOP_N = 5  # 可调整为 10, 20 等
@@ -446,3 +448,101 @@ def get_output_path(model_type: str, test_start: str, test_end: str) -> str:
 
     filename = f"{model_type}_output.csv"
     return os.path.join(OUTPUT_DIR, filename)
+
+
+def get_model_save_path(
+    model_type: str, model_name: Optional[str] = None
+) -> Optional[str]:
+    """生成模型保存路径。
+
+    Args:
+        model_type: 模型类型（"regression" 或 "rank"）
+        model_name: 模型名称，默认为 model_type
+
+    Returns:
+        模型保存路径，如果 SAVE_MODEL 为 False 则返回 None
+    """
+    if not SAVE_MODEL:
+        return None
+
+    import os
+
+    # 确保模型保存目录存在
+    os.makedirs(MODEL_SAVE_DIR, exist_ok=True)
+
+    # 使用 model_name 或默认使用 model_type
+    name = model_name if model_name else model_type
+    filename = f"{name}.pkl"
+    return os.path.join(MODEL_SAVE_DIR, filename)
+
+
+def save_model_with_factors(
+    model,
+    model_path: str,
+    selected_factors: List[str],
+    factor_definitions: dict,
+) -> None:
+    """保存模型及关联的因子信息。
+
+    除了保存模型本身，还会保存一个同名的 .factors.json 文件，
+    包含 SELECTED_FACTORS 和 FACTOR_DEFINITIONS，以便后续加载模型时
+    知道使用了哪些因子。
+
+    Args:
+        model: 训练好的模型实例（需有 save 方法）
+        model_path: 模型保存路径
+        selected_factors: 从 metadata 中选择的因子名称列表
+        factor_definitions: 通过表达式定义的因子字典
+    """
+    import json
+    import os
+
+    # 1. 保存模型本身
+    model.save(model_path)
+    print(f"[模型保存] 模型已保存至: {model_path}")
+
+    # 2. 保存因子信息到 .factors.json 文件
+    factors_path = model_path.replace(".pkl", ".factors.json")
+
+    factors_info = {
+        "selected_factors": selected_factors,
+        "factor_definitions": factor_definitions,
+        "total_feature_count": len(selected_factors) + len(factor_definitions),
+        "selected_factors_count": len(selected_factors),
+        "factor_definitions_count": len(factor_definitions),
+    }
+
+    with open(factors_path, "w", encoding="utf-8") as f:
+        json.dump(factors_info, f, ensure_ascii=False, indent=2)
+
+    print(f"[模型保存] 因子信息已保存至: {factors_path}")
+    print(f"[模型保存] 总计 {factors_info['total_feature_count']} 个因子")
+    print(f"  - 来自 metadata: {factors_info['selected_factors_count']} 个")
+    print(f"  - 来自表达式定义: {factors_info['factor_definitions_count']} 个")
+
+
+def load_model_factors(model_path: str) -> Optional[dict]:
+    """加载模型关联的因子信息。
+
+    Args:
+        model_path: 模型保存路径
+
+    Returns:
+        包含因子信息的字典，如果文件不存在则返回 None
+    """
+    import json
+    import os
+
+    factors_path = model_path.replace(".pkl", ".factors.json")
+
+    if not os.path.exists(factors_path):
+        print(f"[警告] 未找到因子信息文件: {factors_path}")
+        return None
+
+    with open(factors_path, "r", encoding="utf-8") as f:
+        factors_info = json.load(f)
+
+    print(
+        f"[模型加载] 已加载因子信息，总计 {factors_info.get('total_feature_count', 'N/A')} 个因子"
+    )
+    return factors_info