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

.gitignore

@@ -82,3 +82,4 @@ src/training/output/*
 
 # AI Agent 工作目录
 /.sisyphus/
+/src/experiment/output/

src/experiment/regression.py

@@ -5,6 +5,7 @@ Label: return_5 = (close / ts_delay(close, 5)) - 1
 """
 
 import os
+from datetime import datetime
 from typing import List, Tuple
 
 import polars as pl
@@ -22,6 +23,95 @@ from src.training import (
 )
 from src.training.config import TrainingConfig
 
+# =============================================================================
+# 因子定义（集中在此，方便修改）
+# =============================================================================
+
+# 特征因子定义字典：新增因子只需在此处添加一行
+FACTOR_DEFINITIONS = {
+    # 1. 价格动量因子
+    "ma5": "ts_mean(close, 5)",
+    "ma10": "ts_mean(close, 10)",
+    "ma20": "ts_mean(close, 20)",
+    "ma_ratio": "ts_mean(close, 5) / ts_mean(close, 20) - 1",
+    # 2. 波动率因子
+    "volatility_5": "ts_std(close, 5)",
+    "volatility_20": "ts_std(close, 20)",
+    "vol_ratio": "ts_std(close, 5) / (ts_std(close, 20) + 1e-8)",
+    # 3. 收益率动量因子
+    "return_10": "(close / ts_delay(close, 10)) - 1",
+    "return_20": "(close / ts_delay(close, 20)) - 1",
+    # 4. 收益率变化因子
+    "return_diff": "(close / ts_delay(close, 5)) - 1 - ((close / ts_delay(close, 10)) - 1)",
+    # 5. 成交量因子
+    "vol_ma5": "ts_mean(vol, 5)",
+    "vol_ma20": "ts_mean(vol, 20)",
+    "vol_ratio": "ts_mean(vol, 5) / (ts_mean(vol, 20) + 1e-8)",
+    # 6. 市值因子（截面排名）
+    "market_cap_rank": "cs_rank(total_mv)",
+    # 7. 价格位置因子
+    "high_low_ratio": "(close - ts_min(low, 20)) / (ts_max(high, 20) - ts_min(low, 20) + 1e-8)",
+    "n_income": "n_income",
+}
+
+# Label 因子定义（不参与训练，用于计算目标）
+LABEL_FACTOR = {
+    "return_5": "(close / ts_delay(close, 5)) - 1",
+}
+
+# =============================================================================
+# 训练参数配置（集中在此，方便修改）
+# =============================================================================
+
+# 日期范围配置
+TRAIN_START = "20200101"
+TRAIN_END = "20241231"
+TEST_START = "20250101"
+TEST_END = "20251231"
+
+# 模型参数配置
+MODEL_PARAMS = {
+    "objective": "regression",
+    "metric": "mae",  # 改为 MAE，对异常值更稳健
+    # 树结构控制（防过拟合核心）
+    "num_leaves": 20,  # 从31降为20，降低模型复杂度
+    "max_depth": 4,  # 显式限制深度，防止过度拟合噪声
+    "min_child_samples": 50,  # 叶子最小样本数，防止学习极端样本
+    "min_child_weight": 0.001,
+    # 学习参数
+    "learning_rate": 0.01,  # 降低学习率，配合更多树
+    "n_estimators": 1000,  # 增加树数量，配合早停
+    # 采样策略（关键防过拟合）
+    "subsample": 0.8,  # 每棵树随机采样80%数据（行采样）
+    "subsample_freq": 5,  # 每5轮迭代进行一次 subsample
+    "colsample_bytree": 0.8,  # 每棵树随机选择80%特征（列采样）
+    # 正则化
+    "reg_alpha": 0.1,  # L1正则，增加稀疏性
+    "reg_lambda": 1.0,  # L2正则，平滑权重
+    # 数值稳定性
+    "verbose": -1,
+    "random_state": 42,
+}
+
+# 数据处理器配置
+PROCESSOR_CONFIGS = [
+    {"name": "winsorizer", "params": {"lower": 0.01, "upper": 0.99}},
+    {"name": "cs_standard_scaler", "params": {}},
+]
+
+# 股票池筛选配置
+STOCK_FILTER_CONFIG = {
+    "exclude_cyb": True,  # 排除创业板
+    "exclude_kcb": True,  # 排除科创板
+    "exclude_bj": True,  # 排除北交所
+    "exclude_st": True,  # 排除ST股票
+}
+
+# 输出配置（相对于本文件所在目录）
+OUTPUT_DIR = "output"
+SAVE_PREDICTIONS = True
+PERSIST_MODEL = False
+
 
 def create_factors_with_strings(engine: FactorEngine) -> List[str]:
     """使用字符串表达式定义因子
@@ -36,57 +126,24 @@ def create_factors_with_strings(engine: FactorEngine) -> List[str]:
     print("使用字符串表达式定义因子")
     print("=" * 80)
 
-    # 定义所有因子（使用字典，方便维护和扩展）
+    # 使用模块级别的因子定义
-    # 新增因子只需在此处添加一行即可
-    factor_definitions = {
-        # 1. 价格动量因子
-        "ma5": "ts_mean(close, 5)",
-        "ma10": "ts_mean(close, 10)",
-        "ma20": "ts_mean(close, 20)",
-        "ma_ratio": "ts_mean(close, 5) / ts_mean(close, 20) - 1",
-        # 2. 波动率因子
-        "volatility_5": "ts_std(close, 5)",
-        "volatility_20": "ts_std(close, 20)",
-        "vol_ratio": "ts_std(close, 5) / (ts_std(close, 20) + 1e-8)",
-        # 3. 收益率动量因子（return_5 是 label，需要单独注册）
-        "return_10": "(close / ts_delay(close, 10)) - 1",
-        "return_20": "(close / ts_delay(close, 20)) - 1",
-        # 4. 收益率变化因子（使用完整表达式，不引用其他因子）
-        "return_diff": "(close / ts_delay(close, 5)) - 1 - ((close / ts_delay(close, 10)) - 1)",
-        # 5. 成交量因子
-        "vol_ma5": "ts_mean(vol, 5)",
-        "vol_ma20": "ts_mean(vol, 20)",
-        "vol_ratio": "ts_mean(vol, 5) / (ts_mean(vol, 20) + 1e-8)",
-        # 6. 市值因子（截面排名）
-        "market_cap_rank": "cs_rank(total_mv)",
-        # 7. 价格位置因子
-        "high_low_ratio": "(close - ts_min(low, 20)) / (ts_max(high, 20) - ts_min(low, 20) + 1e-8)",
-        "n_income": "n_income"
-
-    }
-
-    # Label 因子（单独定义，不参与训练）
-    label_factor = {
-        "return_5": "(close / ts_delay(close, 5)) - 1",
-    }
-
     # 注册所有特征因子
     print("\n注册特征因子:")
-    for name, expr in factor_definitions.items():
+    for name, expr in FACTOR_DEFINITIONS.items():
         engine.add_factor(name, expr)
         print(f"  - {name}: {expr}")
 
     # 注册 label 因子
     print("\n注册 Label 因子:")
-    for name, expr in label_factor.items():
+    for name, expr in LABEL_FACTOR.items():
         engine.add_factor(name, expr)
         print(f"  - {name}: {expr}")
 
-    # 从字典自动获取特征列（keys() 方法）
+    # 从字典自动获取特征列
-    feature_cols = list(factor_definitions.keys())
+    feature_cols = list(FACTOR_DEFINITIONS.keys())
 
     print(f"\n特征因子数: {len(feature_cols)}")
-    print(f"Label: {list(label_factor.keys())[0]}")
+    print(f"Label: {list(LABEL_FACTOR.keys())[0]}")
     print(f"已注册因子总数: {len(engine.list_registered())}")
 
     return feature_cols
@@ -146,82 +203,42 @@ def train_regression_model():
     feature_cols = create_factors_with_strings(engine)
     target_col = "return_5"
 
-    # 3. 准备数据
+    # 3. 准备数据（使用模块级别的日期配置）
     print("\n[3] 准备数据")
-    train_start, train_end = "20200101", "20241231"
-    test_start, test_end = "20250101", "20251231"
 
     data = prepare_data(
         engine=engine,
         feature_cols=feature_cols,
-        start_date=train_start,
+        start_date=TRAIN_START,
-        end_date=test_end,
+        end_date=TEST_END,
     )
 
-    # 4. 创建配置
+    # 4. 打印配置信息（使用模块级别的配置常量）
-    config = TrainingConfig(
+    print(f"\n[配置] 训练期: {TRAIN_START} - {TRAIN_END}")
-        feature_cols=feature_cols,
+    print(f"[配置] 测试期: {TEST_START} - {TEST_END}")
-        target_col=target_col,
-        date_col="trade_date",
-        code_col="ts_code",
-        train_start=train_start,
-        train_end=train_end,
-        test_start=test_start,
-        test_end=test_end,
-        model_type="lightgbm",
-        model_params={
-            "objective": "regression",
-            "metric": "rmse",
-            "num_leaves": 31,
-            "learning_rate": 0.05,
-            "n_estimators": 100,
-        },
-        processors=[
-            {"name": "winsorizer", "params": {"lower": 0.01, "upper": 0.99}},
-            {"name": "cs_standard_scaler", "params": {}},
-        ],
-        persist_model=False,
-        model_save_path=None,
-        output_dir="output/regression",
-        save_predictions=True,
-    )
-
-    print(f"\n[配置] 训练期: {train_start} - {train_end}")
-    print(f"[配置] 测试期: {test_start} - {test_end}")
     print(f"[配置] 特征数: {len(feature_cols)}")
     print(f"[配置] 目标变量: {target_col}")
 
-    # 5. 创建模型
+    # 5. 创建模型（使用模块级别的模型参数）
-    model = LightGBMModel(
+    model = LightGBMModel(params=MODEL_PARAMS)
-        objective="regression",
-        metric="rmse",
-        num_leaves=31,
-        learning_rate=0.05,
-        n_estimators=100,
-    )
 
-    # 6. 创建数据处理器
+    # 6. 创建数据处理器（从 PROCESSOR_CONFIGS 解析）
     processors = [
-        Winsorizer(lower=0.01, upper=0.99),
+        Winsorizer(**PROCESSOR_CONFIGS[0]["params"]),  # type: ignore[arg-type]
-        StandardScaler(exclude_cols=["ts_code", "trade_date", target_col]),
+        StandardScaler(exclude_cols=["ts_code", "trade_date", target_col]),  # type: ignore[call-arg]
     ]
 
-    # 7. 创建数据划分器
+    # 7. 创建数据划分器（使用模块级别的日期配置）
     splitter = DateSplitter(
-        train_start=train_start,
+        train_start=TRAIN_START,
-        train_end=train_end,
+        train_end=TRAIN_END,
-        test_start=test_start,
+        test_start=TEST_START,
-        test_end=test_end,
+        test_end=TEST_END,
     )
 
-    # 8. 创建股票池管理器（可选）
+    # 8. 创建股票池管理器（使用模块级别的筛选配置）
     pool_manager = StockPoolManager(
-        filter_config=StockFilterConfig(
+        filter_config=StockFilterConfig(**STOCK_FILTER_CONFIG),
-            exclude_cyb=True,
-            exclude_kcb=True,
-            exclude_bj=True,
-            exclude_st=True,
-        ),
         selector_config=None,  # 暂时不启用市值选择
         data_router=engine.router,  # 从 FactorEngine 获取数据路由器
     )
@@ -240,7 +257,7 @@ def train_regression_model():
         splitter=splitter,
         target_col=target_col,
         feature_cols=feature_cols,
-        persist_model=False,
+        persist_model=PERSIST_MODEL,
     )
 
     # 10. 手动执行训练流程（增加详细打印）
@@ -401,22 +418,24 @@ def train_regression_model():
     print(f"\n示例日期 {sample_date} 的前10条预测:")
     print(sample_data.select(["ts_code", "trade_date", target_col, "prediction"]))
 
-    # 12. 保存结果（每日 top5）
+    # 12. 保存结果
-    output_dir = "D:\\PyProject\\ProStock\\src\\training\\output"
+    print("\n" + "=" * 80)
-    os.makedirs(output_dir, exist_ok=True)
+    print("保存预测结果")
+    print("=" * 80)
 
-    # 生成文件名：top_5_{开始日期}_{结束日期}.csv
+    # 确保输出目录存在
-    from datetime import datetime
+    os.makedirs(OUTPUT_DIR, exist_ok=True)
 
-    start_dt = datetime.strptime(test_start, "%Y%m%d")
+    # 生成时间戳
-    end_dt = datetime.strptime(test_end, "%Y%m%d")
+    start_dt = datetime.strptime(TEST_START, "%Y%m%d")
-    filename = (
+    end_dt = datetime.strptime(TEST_END, "%Y%m%d")
-        f"top_5_{start_dt.strftime('%Y-%m-%d')}_{end_dt.strftime('%Y-%m-%d')}.csv"
+    date_str = f"{start_dt.strftime('%Y%m%d')}_{end_dt.strftime('%Y%m%d')}"
-    )
+
-    output_path = os.path.join(output_dir, filename)
+    # 12.1 保存每日 Top5
+    print("\n[1/1] 保存每日 Top5 股票...")
+    top5_output_path = os.path.join(OUTPUT_DIR, f"top5_{date_str}.csv")
 
     # 按日期分组，取每日 top5
-    print("\n选取每日 Top 5 股票...")
     top5_by_date = []
     unique_dates = results["trade_date"].unique().sort()
     for date in unique_dates:
@@ -425,29 +444,26 @@ def train_regression_model():
         top5 = day_data.sort("prediction", descending=True).head(5)
         top5_by_date.append(top5)
 
-    print(f"  处理完成: 共 {len(unique_dates)} 个交易日，每交易日取 top5")
-
     # 合并所有日期的 top5
     top5_results = pl.concat(top5_by_date)
 
     # 格式化日期并调整列顺序：日期、分数、股票
-    results_to_save = top5_results.select(
+    top5_to_save = top5_results.select(
         [
             pl.col("trade_date").str.slice(0, 4)
             + "-"
             + pl.col("trade_date").str.slice(4, 2)
             + "-"
-            + pl.col("trade_date").str.slice(6, 2),
+            + pl.col("trade_date").str.slice(6, 2).alias("date"),
             pl.col("prediction").alias("score"),
             pl.col("ts_code"),
         ]
-    ).rename({"trade_date": "date"})
+    )
-    results_to_save.write_csv(output_path, include_header=True)
+    top5_to_save.write_csv(top5_output_path, include_header=True)
-    print(f"\n预测结果已保存: {output_path}")
+    print(f"  保存路径: {top5_output_path}")
-    print(f"保存列: {results_to_save.columns}")
+    print(f"  保存行数: {len(top5_to_save)}（{len(unique_dates)}个交易日 × 每日top5）")
-    print(f"总行数: {len(results_to_save)}（每日 top5）")
+    print(f"\n  预览（前15行）:")
-    print(f"\n保存数据预览:")
+    print(top5_to_save.head(15))
-    print(results_to_save.head(15))
 
     # 13. 特征重要性
     importance = model.feature_importance()

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 = {
+        if params is not None:
-            "objective": objective,
+            # 方式1：直接使用 params 字典
-            "metric": metric,
+            self.params = dict(params)  # 复制一份，避免修改原始字典
-            "num_leaves": num_leaves,
+            self.params.setdefault("verbose", -1)  # 默认抑制训练输出
-            "learning_rate": learning_rate,
+            # n_estimators 可能存在于 params 中
-            "verbose": -1,  # 抑制训练输出
+            self.n_estimators = self.params.pop("n_estimators", n_estimators)
-            **kwargs,
+        else:
-        }
+            # 方式2：通过独立参数构建 params
-        self.n_estimators = n_estimators
+            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）
+            # 排除创业板（300xxx, 301xxx）
-            if self.exclude_cyb and code.startswith("300"):
+            if self.exclude_cyb and code.startswith(("300", "301")):
                 continue
             # 排除科创板（688xxx）
             if self.exclude_kcb and code.startswith("688"):