refactor: 优化回归实验配置和模型参数

- 将因子定义、模型参数、日期配置提取为模块级常量
- 优化 LightGBM 参数（降低过拟合风险）
- LightGBMModel 支持 params 字典参数传入
- 修复 StockFilter 创业板排除逻辑（支持 301xxx）
- 添加 experiment/output 到 .gitignore

src/training/components/models/lightgbm.py

@@ -3,7 +3,7 @@
 提供 LightGBM 回归模型的实现，支持特征重要性和原生模型保存。
 """
 
-from typing import Optional
+from typing import Any, Optional
 
 import numpy as np
 import pandas as pd
@@ -31,6 +31,7 @@ class LightGBMModel(BaseModel):
 
     def __init__(
         self,
+        params: Optional[dict] = None,
         objective: str = "regression",
         metric: str = "rmse",
         num_leaves: int = 31,
@@ -40,23 +41,54 @@ class LightGBMModel(BaseModel):
     ):
         """初始化 LightGBM 模型
 
+        支持两种方式传入参数：
+        1. 通过 params 字典传入所有参数（推荐方式）
+        2. 通过独立参数传入（向后兼容）
+
         Args:
+            params: LightGBM 参数字典，如果提供则直接使用此字典
             objective: 目标函数，默认 "regression"
             metric: 评估指标，默认 "rmse"
             num_leaves: 叶子节点数，默认 31
             learning_rate: 学习率，默认 0.05
             n_estimators: 迭代次数，默认 100
             **kwargs: 其他 LightGBM 参数
+
+        Examples:
+            >>> # 方式1：通过 params 字典（推荐）
+            >>> model = LightGBMModel(params={
+            ...     "objective": "regression",
+            ...     "metric": "rmse",
+            ...     "num_leaves": 31,
+            ...     "learning_rate": 0.05,
+            ...     "n_estimators": 100,
+            ... })
+            >>>
+            >>> # 方式2：通过独立参数（向后兼容）
+            >>> model = LightGBMModel(
+            ...     objective="regression",
+            ...     num_leaves=31,
+            ...     learning_rate=0.05,
+            ... )
         """
-        self.params = {
-            "objective": objective,
-            "metric": metric,
-            "num_leaves": num_leaves,
-            "learning_rate": learning_rate,
-            "verbose": -1,  # 抑制训练输出
-            **kwargs,
-        }
-        self.n_estimators = n_estimators
+        if params is not None:
+            # 方式1：直接使用 params 字典
+            self.params = dict(params)  # 复制一份，避免修改原始字典
+            self.params.setdefault("verbose", -1)  # 默认抑制训练输出
+            # n_estimators 可能存在于 params 中
+            self.n_estimators = self.params.pop("n_estimators", n_estimators)
+        else:
+            # 方式2：通过独立参数构建 params
+            self.params = {
+                "objective": objective,
+                "metric": metric,
+                "num_leaves": num_leaves,
+                "learning_rate": learning_rate,
+                "verbose": -1,  # 抑制训练输出
+                **kwargs,
+            }
+            self.n_estimators = n_estimators
+
         self.model = None
         self.feature_names_: Optional[list] = None
 

src/training/components/selectors.py

@@ -15,7 +15,7 @@ class StockFilterConfig:
     基于股票代码进行过滤，不依赖外部数据。
 
     Attributes:
-        exclude_cyb: 是否排除创业板（300xxx）
+        exclude_cyb: 是否排除创业板（300xxx, 301xxx）
         exclude_kcb: 是否排除科创板（688xxx）
         exclude_bj: 是否排除北交所（.BJ 后缀）
         exclude_st: 是否排除ST股票（需要外部数据支持）
@@ -41,8 +41,8 @@ class StockFilterConfig:
         """
         result = []
         for code in codes:
-            # 排除创业板（300xxx）
-            if self.exclude_cyb and code.startswith("300"):
+            # 排除创业板（300xxx, 301xxx）
+            if self.exclude_cyb and code.startswith(("300", "301")):
                 continue
             # 排除科创板（688xxx）
             if self.exclude_kcb and code.startswith("688"):