fortune AI技能包

2. 安装依赖

pip install -r requirements.txt

十五、依赖项

yfinance catboost akshare pandas scikit-learn lightgbm jieba hmmlearn arch networkx

---

八、快速开始

```bash

十二、安装部署

```bash

4. 验证安装

python hsi_email.py --no-email ```

必填环境变量：

---

3. 配置环境变量

cp set_key.sh.sample set_key.sh

编辑 set_key.sh，填写邮箱和API密钥

source set_key.sh

2.3 港股个股CatBoost模型

核心优势：使用CatBoost梯度提升算法，整合1023个技术指标、基本面数据、市场状态、网络特征和情感指标，对港股进行多周期涨跌预测。相比传统技术分析，机器学习模型能自动发现复杂的市场规律。

Walk-forward 验证结果（57只股票，12 folds，Top 500特征，市场情绪过滤器启用，2026-05-23）：

特征体系（1023个特征）：

市场级特征处理：60个市场级特征（所有股票同值）通过与网络社区交叉，使不同社区的股票对同一市场信号有差异化响应。利率特征通过此机制区分个股。

特征重要性（个股20天模型，Top 10，2026-05-23）：

关键发现：网络交叉特征（net_cohesion_*, net_constraint_*）占据 Top 10 中的 3 席，证明市场级特征与网络社区交叉后具有显著预测价值。

模型配置：

双模式预测系统：

系统区分两种预测场景，确保训练-预测一致性：

⚠️ 风险提示：

高置信度预测错误时损失风险依然很高：

必须配合止损策略：建议设置 3-5% 止损，可提升期望收益 30%。

2.4 A股个股CatBoost模型

核心优势：使用CatBoost梯度提升算法，整合1077个特征（含A股特有特征），对A股进行多周期涨跌预测。相比港股模型，A股模型增加了涨跌停特征、北向资金等A股特有因素。

模型验证结果（Walk-forward，12 folds，53只股票，2026-07-18）：

⚠️ 注意：A股个股准确率正常范围50-60%，>65%为数据泄漏信号。

股票池设计（53只股票）：

四只核心持仓：

2.6 双市场通用模块

市场情绪过滤器

核心原理：市场上涨比例有强自相关性（lag=1 自相关系数 0.929），滞后1天数据能有效识别极端市场环境，动态调整预测阈值。港股和A股均适用此机制。

阈值分层：

验证效果（港股12 folds，57只股票）：

关键发现：问题本质是"市场普跌时模型仍过度乐观"，而非"选错股"。市场环境感知比个股过滤更有效。

市场状态稳定性检测

核心原理：HMM 市场状态持续时间（Regime_Duration）反映状态稳定性，短持续时间意味着频繁转换，预测可靠性下降。双市场均支持。

---

四、大模型智能决策

核心理念：利用大语言模型（通义千问）的推理能力，整合多维信息生成交易建议。相比传统量化策略，大模型能理解市场上下文，提供更有针对性的建议。

六层分析框架：

板块轮动分析：

双市场应用： - 🇭🇰 港股：comprehensive_analysis.py 整合大模型建议、CatBoost预测、异常检测、板块分析 - 🇨🇳 A股：a_stock_email.py 调用通义千问，a_stock_comprehensive_analysis.py 整合多维度输出

---

模型训练

python3 ml_services/ml_trading_model.py --mode train --horizon 20 --model-type catboost

A股完整分析流程（训练→预测→大模型建议→综合分析）

./scripts/run_a_stock_analysis.sh

A股模型训练

python3 a_stock_ml_model.py --mode train --horizon 20

A股模型预测（仅核心股）

python3 a_stock_ml_model.py --mode predict --horizon 20 --core-only

2.2 双市场个股预测模型对比