前置知识 · 模型策略与评估指标
进入实战前，先理解算法选择策略与分类评估体系，这些概念贯穿后续每一步。
算法选择策略：先简单后复杂 — 先用逻辑回归建立基线，再上树模型，最后调参与特征工程。
回归指标：RMSE / MAE / R²，用于连续值预测。
分类指标：Accuracy / Precision / Recall / F1。
混淆矩阵：FP（错误买入）在交易中最危险。
ROC/AUC：AUC 衡量排序能力，>0.8 良好，0.5 随机。
Step 1 · 准备数据
加载股票数据集，查看规模、特征与目标分布。数据已按日期排序，用于后续时间序列划分。
数据集概览 ·
目标分布
数据预览（前 8 行）
Step 2 · 构造标签
将目标变量转换为二分类标签（0/1），并查看正负类占比。
标签定义
Step 3 · 选择特征
剔除标识列，计算每个特征与标签的 Pearson 相关系数，按阈值筛选特征。
相关性阈值
保留 |r| ≥ 阈值 的特征，其余剔除。
-
/ 共 个
特征与目标相关性（Top-15，红负 / 蓝正）
Step 4 · 时间序列划分
按日期升序划分，避免未来信息泄露（金融量化建模关键）。
划分比例
按“日期”而非“样本”划分，前 N% 的日期进训练集。
时间序列划分强制关闭随机抽样，训练集日期严格早于测试集日期。
Step 5 · 训练模型
支持多选：可同时对比多个模型。点击卡片主体切换参数面板，点击右上角圆圈勾选/取消训练。共 7 种模型：逻辑回归 / 决策树 / 随机森林 / KNN / 朴素贝叶斯 / 线性 SVM / GBDT。
选择模型
模型关键参数
请先选择一个模型查看并调整关键参数。
Step 6 · 预测
在测试集上输出预测标签与正类概率。
预测结果预览
Step 7 · 评估
指标对比、ROC 曲线与混淆矩阵，AUC 越接近 1 越好。
多模型指标对比
| 模型 | Accuracy | Precision | Recall | F1 | AUC |
|---|
绿色高亮行为 AUC 最优模型。
ROC 曲线（多模型叠加）
混淆矩阵
对角线（绿）为预测正确；FP=错误买入，交易中最危险。
Step 8 · 特征重要性
树模型给出特征重要性，逻辑回归给出系数方向，帮助理解驱动因子。
Step 9 · 保存结果
导出预测结果、评估指标与模型参数，用于归档或复现。
导出
下列文件在本地生成，不上传服务器。