Alpha158 Enhanced 插件

English · 简体中文 · 插件管理

独立的 AxonX 量化研究插件，提供数据处理、因子分析、LightGBM 训练、样本外预测和 TopN 回测。

增强版保留原始 158 个特征，增加 26 个市场环境、成交金额分组、相对表现和交互特征，总计 184 个。它包含自己的实现，不依赖原插件的 Python 包。成交金额表示交易活跃度，不代表市值。

安装与检查

要求 Python 3.12+；本地任务执行支持 macOS 和 Linux。安装在执行服务使用的 Python 环境中，再重启服务以重新加载插件。LightGBM、NumPy 和 Polars 随插件依赖安装。

pip install axonx-alpha158-enhanced
axonx plugin list
axonx plugin show axonx-alpha158-enhanced

源码开发时，在仓库根目录执行：

pip install -e ./plugins/a158_enhanced
axonx plugin inspect ./plugins/a158_enhanced

本机 CLI 的环境不一定是远程服务的环境。远程部署先配置目标服务 token，再明确指定目标：

export AXONX_TARGET_TOKEN='<service token>'
axonx plugin install ./plugins/a158_enhanced --target 'http://<host>:1024'
axonx plugin list --target 'http://<host>:1024'

按安装响应中的 restart_required 重启目标服务，再查询 Task 定义。完整的构建、卸载和部署说明见插件管理。

数据准备

在执行服务环境配置 AXONX_TUSHARE_TOKEN，使用内置 download_tushare_task 准备工作区下的 Tushare Parquet 数据。默认 ETL 输入目录是工作区中的 tushare/，不是当前 shell 目录。

axonx submit --task download_tushare_task \
  --start-date 20140101 --end-date 20260930 \
  --datasets 'static,stk_limit,daily,adj_factor,index_weight'

保存返回的 task_id 和 run_id，等待下载成功后再提交 ETL：

axonx --client-timeout 86400 wait_task \
  --task-id '<download_task_id>' --run-id '<download_run_id>'

文件	用途
*/*/daily.parquet, */*/adj_factor.parquet	行情与复权因子，必需
trade_cal.parquet, stock_basic.parquet, namechange.parquet	交易日历、股票主数据和历史名称，必需
*/*/stk_limit.parquet	官方涨跌停价格，影响可交易判断
*/*/index_weight.parquet	沪深 300 成分权重，影响指数池与基准

提前准备足够的历史数据供滚动窗口使用。示例训练期从 2015 年开始，因此下载从 2014 年开始。下载默认只回看七个自然日，不能据此假设历史数据齐全。数据凭据、分区布局与更新方式见 Tushare 数据下载。

任务与执行

Task	上游	产物
a158e_etl	工作区行情数据	特征、标签、交易状态和统计
a158e_factor	ETL Task ID	因子诊断与分析结果
a158e_train	ETL Task ID	模型、训练协议、验证曲线和特征重要性
a158e_predict	Train Task ID	全横截面预测与预测统计
a158e_backtest	Predict Task ID	日级回测、分期汇总与持仓相关产物

因子分析从 ETL 分支执行，不是训练的前置任务。按以下顺序提交；每一步都使用实际返回的 Task ID，等待任务成功后再提交下游。

axonx submit --task a158e_etl --start-date 20150101 --end-date 20260930

# ETL 成功后
axonx submit --task a158e_factor --source-tasks '<etl_task_id>'
axonx submit --task a158e_train --source-tasks '<etl_task_id>' \
  --train-start 20150101 --train-end 20230101 \
  --context-groups market,liquidity,relative,interaction

# 训练成功后
axonx submit --task a158e_predict --source-tasks '<train_task_id>' \
  --pred-start 20230101 --pred-end 20260930

# 预测成功后
axonx submit --task a158e_backtest --source-tasks '<predict_task_id>'

每次等待都同时提供本次运行的两个标识：

axonx --client-timeout 86400 wait_task \
  --task-id '<task_id>' --run-id '<run_id>'
axonx get_task_definition --task a158e_train

远程执行时，上述提交、等待和定义查询命令都加上同一个 --target。不要只远程安装插件后又在本机环境执行任务。

关键参数

阶段 / 参数	默认值	说明
ETL start_date / end_date	20140101 / null	输出起始日 / 最后日期，包含边界
ETL min_history_coverage	0.8	滚动特征最低历史覆盖率
Train train_start / train_end	20150101 / 20230101	训练起始日包含，截止日不包含
Train label_column	label_1d_rank	按日横截面排名的收益标签
Train trim_tail	0.025	按日剔除原始收益两端各 2.5%
Train validation_ratio	0.10	训练期末尾日期留作内部验证
Train num_boost_round / early_stopping_rounds	1000 / 50	最大迭代 / 早停轮数
Train random_seed	42	模型抽样随机种子
Predict pred_start / pred_end	20230101 / null	预测区间；起始日不能早于训练截止日
Backtest transaction_cost_rate	0.002	乘以每日实际换手率的交易成本
Backtest annualization_days	252	年化交易日数

完整参数以执行环境中 get_task_definition 返回的 Schema 为准。

特征、标签与回测口径

原始特征使用 f_alpha158_* 名称，包含 13 个当日价形特征以及 5、10、20、30、60 日窗口的 29 组滚动特征。行情使用复权价格，并保留交易日历和上市状态信息。

正常标签为信号日 T 收盘至 T+1 收盘的复权收益；无法按计划卖出时延迟至首个可卖日期。训练、因子和信号排名评估仅使用有效且未延迟的一日样本。预测保留完整横截面，不事先按未来标签筛掉股票。

回测按当天信号排名并用当天收盘价模拟买入，使用日线可交易代理；未模拟盘后排队与部分成交。持仓锁定资金直到实际退出，未结清持仓按成本记账，净收益在退出日确认。Top30 持仓明细是信号目标，不等于实际持仓账本。

收益、成本、IC 与持仓的详细定义见 回测解读。

在 Studio 查看结果

在任务详情检查参数、日志、metadata 和上游关系；在研究结果页面查看 ETL、因子、训练、预测和回测产物。下图是已有实验的界面示例，不代表本插件每次运行的结果。

排查问题与源码

问题	检查项
没有注册的 Task	安装环境、插件入口、服务重启和目标机器
ETL 缺少数据	工作区 tushare 分区和三个静态文件；历史日期覆盖
预测日期报错	pred_start 必须不早于 train_end，且模型与 ETL metadata 完整
结果与示例不同	数据快照、特征组、区间、标签、参数和成本是否一致

插件注册 · ETL · 因子分析 · 训练 · 预测 · 回测

研究流程 · 研究结果 · 任务管理

特征组

context_groups 分组	新增数量	内容
market	11	市场收益均值/中位数、上涨占比、收益 IQR、涨跌停比例、5/20 日趋势、标准化冲击、放量和金额集中度
liquidity	6	截至 T−1 的成交金额排名、个股放量、低/高金额组收益、组间价差及 5 日均值
relative	5	相对市场/金额组收益、当日收益排名、5/20 日相对趋势
interaction	4	市场冲击/下跌幅度 × 相对收益、金额组价差 × 金额排名、市场放量 × 个股放量

增强 ETL 一次生成全部 184 个特征，训练通过 --context-groups 选择分组：none 保留 158 个，market 保留 169 个，market,liquidity,relative 保留 180 个，四组全开保留 184 个。原始名称保持 f_alpha158_*，新增名称使用 f_context_*。预测严格沿用训练 metadata 保存的特征顺序。

金额分组使用截至 T−1 的历史数据，当日环境信息在信号日收盘后可用。收益使用相邻交易日复权收盘，行情缺失时不将跨停牌期收益混为一天收益；统计池独立于未来标签和可买性。完整名称与时点协议见 cross_section.py，ETL metadata 记录 context.feature_groups 和时点协议。

当前版本与实验结论

0.1.2 默认启用四组完整方案，与筛选期锁定并经过确认期评估的 184 特征方案一致。训练使用 2015–2022 年，筛选使用 2023–2024 年，最终确认使用 2025-01-01 至 2026-09-30。

确认期指标	基线	四组完整方案
RankIC	0.0915	0.0967
Top10 净年化收益	−5.74%	28.21%
Top20 净年化收益	−3.24%	24.93%

该数据快照中 RankIC、Top10/20 净年化收益提升，但 Top1–3 收益下降。确认期三项日配对增量的 95% 区块 bootstrap 区间均跨零。模型 gain 衡量模型使用程度，不等于单个特征的独立贡献。

信号质量

TopN 组合结果

净 Sharpe 根据扣费后的日净收益计算；Top30 净 Sharpe 未保存。这两张图汇总上述历史实验，不代表新数据上的预期表现。

实验文档与材料

详细历史文档保留中文原文；英文 README 提供完整的使用、协议、结论与复现入口。

文档	内容
实验计划	研究目标、数据与信号时点、候选特征、控制变量、筛选与确认规则
实验过程	实施步骤、验证检查、异常修复、时间与 Task/Run ID、方案锁定、最终安装
实验结果	消融、全部 TopN、分年与环境表现、配对统计区间、重要性和局限
材料索引	随仓库提交的指标与验证汇总

材料包括原始字段对照、特征覆盖率、训练参数、筛选指标、锁定决定、确认指标、日配对统计、环境诊断和特征重要性。

完整提交响应、状态、原始日志、日级 Parquet 和作废运行保留在本地归档，不随仓库提交。过程文档记录其用途、标识与异常处理。新实验应建立独立记录，不复用历史任务句柄。

复现实验

使用前面的远程部署命令安装插件，按实验计划准备数据并记录固定快照。提交一次从 2015 年开始的增强 ETL；基于同一 ETL 分别训练 none、market、market,liquidity,relative 和 market,liquidity,relative,interaction。固定训练期、模型参数、费用 0.002 和随机种子 42。

axonx submit --task a158e_train --source-tasks '<etl_task_id>' \
  --context-groups none --train-start 20150101 --train-end 20230101 \
  --target 'http://<host>:1024'

# 为各候选特征组分别训练，并等待每个模型成功。
axonx submit --task a158e_predict --source-tasks '<train_task_id>' \
  --pred-start 20230101 --pred-end 20241231 --target 'http://<host>:1024'
# 等待预测成功后再回测。
axonx submit --task a158e_backtest --source-tasks '<predict_task_id>' \
  --target 'http://<host>:1024'

按计划的筛选规则锁定方案后，仅对基线和锁定方案运行确认期预测：--pred-start 20250101 --pred-end 20260930，等待后分别回测。保存配置、模型、预测、回测汇总和日级产物；不同数据快照的实验应另行报告。绑定历史服务的本地恢复/报告脚本不随仓库提交。

实验报告的净 Sharpe 使用扣费日收益减日无风险收益计算，区别于原回测产物中的 gross Sharpe。收盘成交代理、延迟退出、未结清持仓按成本记账仍属于实验口径。

本地验证

在仓库根目录安装开发依赖后执行：

PYTHONPATH=plugins/a158_enhanced .venv/bin/python -m pytest \
  plugins/a158_enhanced/tests/test_cross_section.py \
  tests/unit/test_alpha158_labels.py tests/unit/test_alpha158_backtest.py -q

测试覆盖未来数据因果性、原始特征契约、历史分组、停牌、平值、历史不足，以及统计池独立于标签和可买性。