---
title: 研究结果解读
description: 从数据质量、因子诊断、训练验证到预测覆盖阅读 Studio 研究结果。
---

# 研究结果解读

Studio 按 ETL、因子、训练、预测和回测组织成功任务的结果。每张卡片对应工作区中的 metadata 与文件产物；图表只能说明产物中的数据，需要结合插件协议解释。

![结果阅读顺序](https://flowllm-ai.github.io/AxonX/media/docs/figures/research/results-reading.svg)

本页截图来自远程工作区已有的研究结果，以英文界面展示操作和字段。部分结果来自 `a158_enhanced` 插件，样本规模与特征数量对应其实际实验；下文的算法说明仍以 `a158` 当前实现为准。

## 从运行页面进入结果页面

任务页面看执行状态、步骤和日志；研究页面看已发布的研究 metadata。任务仍在运行、失败或被取消时，优先在任务详情排障。成功任务未显示时，检查当前机器、任务类型、`metadata.json` 是否存在及能否被读取。

选中结果后，先核对任务身份、创建时间、来源任务和产物目录。实验比较使用具体 Task ID，固定名称重跑可能已经替换原有产物。研究列表数量不是所有已提交任务的数量。

## ETL：先判断数据是否可信

![ETL dates, feature columns and labels](https://flowllm-ai.github.io/AxonX/media/docs/figures/studio/etl-results.png)

结果摘要将日期范围、行数和特征/标签列集中展示。先核对覆盖范围，再继续下游分析。

主要检查日期范围、行数、特征列、标签列、股票覆盖和统计文件。

| 观察项             | 应回答的问题                         |
| ------------------ | ------------------------------------ |
| `date_range`       | 是否覆盖研究目标，是否保留足够历史   |
| `rows` 与股票数量  | 样本规模是否异常，是否只是最近几天   |
| `feature_columns`  | 模型使用的特征名称是否符合预期       |
| `label_columns`    | 收益标签及变换标签有哪些             |
| 统计 CSV           | 哪些列缺失、极端值或覆盖不足         |
| 交易状态与指数权重 | 可买性、延期退出、基准是否有足够数据 |

a158 将行情对齐到交易日历，结合上市生命周期、历史名称和涨跌停信息构造交易状态；特征统计不能替代这些状态的核查。没有权重文件时，ETL 会生成空权重并记录告警，后续指数基准可能缺失。

ETL 的 `statistics` 文件属于插件扩展，通用基类并不强制所有 ETL 都生成同样统计。其他插件需按自己的 metadata 解读。

## 因子分析：关联性与稳定性

![Factor scores by metric and label](https://flowllm-ai.github.io/AxonX/media/docs/figures/studio/factor-results.png)

通过 Metric 与 Label 选择指标和标签；条形方向与数值共同表示因子评分。

a158 输出 `factor_analysis.csv` 与 `factor_quantiles.csv`。前者给出各特征的诊断结果，后者用于观察按因子值分组的收益。

默认仅分析可买样本，使用严格有效单日标签并排除延期退出。调整 `tradable_only`、`minimum_daily_samples` 或 `quantiles` 后，结果的样本口径也会变化。

相关性符号表示方向；稳定性表示它在不同日期上的表现。不要仅用一个高分就判断因子有效，需结合每日有效样本、分组形态、缺失情况和研究时间范围。

Studio 的 `scores` 面板来自插件提供的“指标分组 → 数值”映射，并不是浏览器对原始数据重新计算的检验。查看 CSV 与 metadata 中的定义确认每个指标的含义。

## 训练：验证过程与最终模型

![Model training summary and effective parameters](https://flowllm-ai.github.io/AxonX/media/docs/figures/studio/training-results.png)

训练详情并列显示样本、特征、目标列和实际参数；这些信息用于核对实验配置。

训练结果包含模型名称、训练行数、目标列、参数、指标和训练曲线。a158 保存：

- `model.txt`：按最佳轮数拟合的最终模型。
- `feature_importance.csv`：gain 与 split 两种重要性。
- `evaluation_history.csv`：调参阶段逐轮训练/验证历史。

a158 的训练窗口左闭右开，末尾日期保留作验证。调参阶段选择最佳迭代轮数，然后使用训练窗口内全部有效样本重新拟合。曲线与验证指标来自选择轮数的模型，不是最终模型的独立样本外评估。

### 如何读训练曲线

![Training and validation curves on separate axes](https://flowllm-ai.github.io/AxonX/media/docs/figures/studio/training-curves.png)

图中实线是训练、虚线是验证，L2 与 L1 使用左右两个轴。可以通过底部缩放条查看部分迭代；不要跨轴比较曲线高度。

`training_curve.x` 的每个位置对应一次迭代或一个有序时间点。所有序列共享同一 x；左轴与右轴允许两组不同量纲。不能只看两条视觉上靠近的线就比较数值大小，应先看轴和指标单位。

当前 a158 的 L2 序列放左轴，L1 序列放右轴。训练误差持续下降而验证误差停止改善时，结合早停轮数与最佳轮数检查；曲线最后一轮不一定等于保存模型的迭代数。

空曲线表示没有可用训练点。图表会过滤长度不匹配的序列，并在计算轴范围时忽略非有限值；读取端不替代 Python 模型的完整校验。产物格式见[研究产物协议](https://flowllm-ai.github.io/AxonX/zh/reference/research-artifacts)。

### 如何读特征重要性

gain 是分裂带来的累计增益，split 是参与分裂的次数。高重要性不等于因果关系，也不等于单因子收益稳定；高度相关特征会分摊重要性。结合因子分析和样本外预测看结果。

## 预测：评分与覆盖

![Prediction scores, sample coverage and output columns](https://flowllm-ai.github.io/AxonX/media/docs/figures/studio/prediction-results.png)

预测概览展示评分分布、样本覆盖与输出字段。截图中的评分属于该次模型，不代表收益概率。

a158 保存完整预测截面，包含不可买、缺少有效收益标签或没有指数权重的样本。Studio 展示预测行数、日期、股票数、评分范围、可买行数和指数覆盖等统计。

| 统计项                     | 解读                             |
| -------------------------- | -------------------------------- |
| `rows`、`days`、`symbols`  | 预测文件总体规模                 |
| `pred.mean/min/median/max` | 模型输出分布，单位由训练目标决定 |
| `buyable_rows`             | 信号日满足可买标志的行           |
| `valid_return_rows`        | 具有有效收益标签的行             |
| `candidate_rows`           | 插件统计中的可买候选规模         |
| `indices.*`                | 成分覆盖、权重覆盖日期、缺失行数 |

默认训练目标是截面收益排名，`pred` 是评分，既不是收益率也不是概率。不同目标或不同训练插件的评分尺度可能不同，直接比较分数绝对值通常没有共同含义。

`candidate_rows` 并不保证最终回测中每行都成交：回测可能限制指数范围，资金被旧仓占用，或 entry 可买代理不通过。应继续查看回测协议和未成交统计。

## 产物与可追溯性

在结果页点击产物可预览或定位文件。标准 `artifacts` 中路径以当前 Task 目录为基准，`size` 是字节数，`sha256` 是生成时文件内容的摘要。

不要直接修改已成功任务的模型或数据文件；它会使 metadata 的校验信息与实际内容分离。a158 预测会校验训练模型摘要，并检查模型特征名称与顺序。

对于异常结果，保留 Task ID、run_id、输入参数、上游 ID、metadata 和日志。用[任务血缘](https://flowllm-ai.github.io/AxonX/zh/concepts/task-lineage)核对依赖，再检查文件内容。

## 相关文档与实现

- [回测结果解读](https://flowllm-ai.github.io/AxonX/zh/research/backtest)、[策略比较](https://flowllm-ai.github.io/AxonX/zh/research/strategy-comparison)
- [`Studio 研究页面`](https://github.com/FlowLLM-AI/AxonX/blob/main/axonx_studio/src/features/research/ResearchPage.tsx)
- [`a158 因子诊断`](https://github.com/FlowLLM-AI/AxonX/blob/main/plugins/a158/axonx_alpha158/analysis.py)
- [`a158 训练`](https://github.com/FlowLLM-AI/AxonX/blob/main/plugins/a158/axonx_alpha158/train.py)