aimoon 0.2.2

A股量化筛选与交易建议系统 — ML集成排名 + Alpha Zoo 452因子 + 统一回测评分 + 交易策略引擎

aimoon

A股量化筛选与交易建议系统 — 纯 ML 排名 + XGBoost/LightGBM 集成 + Alpha Zoo 452 因子 + 交易策略引擎。

---

快速开始

git clone https://github.com/iloat20/aimoon.git
cd aimoon
pip install -e .

# 首次运行：训练模型 + 筛选
aimoon train-model    # 训练 XGBoost + LightGBM 集成模型
aimoon                # 筛选全市场（ML 排名）

# 回测
aimoon backtest

---

核心命令

1. 筛选 — aimoon

aimoon                  # 默认筛选（ML 排名）
aimoon --demo           # Demo 模式（使用持仓池真实股票代码）
aimoon --top 10         # 前10名
aimoon --no-alpha       # 禁用 Alpha Zoo 因子

筛选流程：

1. 机构持仓池过滤（北向>=1亿 + 基金>=5% + ROE>10% + PE<26 + 股息率>1.5%）
2. 合并自选股票（自选股票不受机构持仓条件限制）
3. 452 个 Alpha Zoo 截面因子 → 行业/市值中性化 → 百分位 → z-score
4. Alpha360 时序特征（60天 OHLCV 展平为 360 个特征）
5. XGBoost + LightGBM 集成预测 → 百分位排名 (0-100分)
6. 自学习：ICIR 动态因子加权 + 因子衰减检测 + 集成权重自适应
7. 输出排名 + CSV（含止损/止盈价）+ Markdown（含交易策略）

2. 训练模型 — aimoon train-model

aimoon train-model              # 增量训练（warm_start）
aimoon train-model --force      # 强制全量重训练

训练管线：

• 200 个历史快照（分层采样，覆盖 1 年以上）
• 排名标签（stationary，消除市场整体涨跌影响）
• Purged TimeSeriesSplit（5 折，forward_days 间隔防前瞻偏差）
• XGBoost + LightGBM 并行训练，IC 加权集成
• 强正则化防过拟合：max_depth=3, min_child_weight=50, lr=0.01, gamma=1.0
• 稳定性特征选择：IC≥0.01, top_k=40，仅保留跨时间一致的特征
• 自动退化检测：过拟合比>5.0 时自动丢弃 warm-start 重训
• 增量学习（warm_start），避免每次全量重训练

3. 回测 — aimoon backtest

aimoon backtest                     # 默认回测
aimoon backtest --walk-forward      # Walk-Forward 验证

回测与实盘使用完全一致的评分系统：ML 集成（Alpha360 特征）+ Alpha Zoo（ICIR 动态权重 + 因子衰减）+ 技术指标 → hybrid_score()。

---

Demo 模式

aimoon --demo           # 快速体验（无需训练模型）

Demo 模式使用持仓池真实股票代码，但跳过模型训练，使用简化评分。适合快速体验和调试。

Demo 特点

• ✅ 使用持仓池真实股票代码（来自机构持仓）
• ✅ 实时获取真实股票行情数据
• ✅ 获取真实历史K线数据
• ✅ 跳过 ML 模型训练，使用简化评分
• ✅ 适合快速验证系统功能

---

命令行参数

全局参数

aimoon --help           # 查看所有可用命令
aimoon --config FILE    # 使用自定义配置文件
aimoon --top N          # 筛选前 N 只股票（默认 20）
aimoon --workers N      # 并行工作线程数（默认 20）
aimoon --no-csv         # 禁用 CSV 导出
aimoon --demo           # 使用 Demo 模式
aimoon --refresh        # 强制刷新缓存

Demo 参数

aimoon --demo                     # 使用持仓池真实股票代码
aimoon --demo --top 10            # 只显示前 10 只
aimoon --demo --no-csv            # 不导出 CSV

回测参数

aimoon backtest --stocks CODE1,CODE2   # 指定股票（逗号分隔）
aimoon backtest --hold-days 20         # 持仓天数
aimoon backtest --max-positions 5      # 最大持仓数
aimoon backtest --commission 0.0003    # 佣金率
aimoon backtest --slippage 0.001       # 滑点
aimoon backtest --stop-loss 0.04       # 止损比例
aimoon backtest --take-profit 0.15     # 止盈比例
aimoon backtest --benchmark 000300     # 基准代码
aimoon backtest --walk-forward         # Walk-Forward 验证

---

快速体验

1. 首次运行（最快）

# 安装依赖
pip install -e .

# 使用 Demo 模式快速体验（无需训练模型）
aimoon --demo

# 输出示例：
# ┌─────┬─────────┬───────────┬─────────┬──────────┬───────┬────────────┬───────┐
# │ No. │ Code    │ Name      │   Price │     Chg% │ Score │ Suggestion │ Conf. │
# ├─────┼─────────┼───────────┼─────────┼──────────┼───────┼────────────┼───────┤
# │ 1   │ 002541  │ 鸿路钢构  │   18.70 │    +0.00 │    25 │ 谨慎       │ 中    │
# │ 2   │ 000975  │ 山金国际  │   22.46 │    +0.00 │    16 │ 建议卖出   │ 中高  │
# ... (20 只股票)
# └─────┴─────────┴───────────┴─────────┴──────────┴───────┴────────────┴───────┘

# 添加自选股票（可选）
aimoon watchlist add 600519,000858,002304  # 添加你看好的股票
aimoon watchlist list                       # 查看自选列表

2. 完整筛选（需要训练模型）

# 第一步：训练模型（首次需要，后续增量更新）
aimoon train-model

# 第二步：（可选）添加自选股票
aimoon watchlist add 600519,000858

# 第三步：运行筛选
aimoon

# 查看筛选结果
ls output/
# aimoon_20260602_065544.csv
# aimoon_20260602_065544.md

3. 回测交易策略

# 使用默认参数回测
aimoon backtest

# Walk-Forward 验证（更严格）
aimoon backtest --walk-forward

# 指定股票和参数
aimoon backtest --stocks 000001,000002 --hold-days 20 --max-positions 3

---

交易策略

系统包含完整的交易策略引擎，输出报告中包含具体交易计划。

选股

• 模型: XGBoost + LightGBM 集成学习（Alpha Zoo 452因子 + Alpha360 时序特征）
• 排名: ML 模型预测未来收益 → 百分位排名 (0-100分)
• 入场: ML 分数 >= 55 才买入

入场择时（短期反转）

• 优先买入近 5 日跌超 5% 的高分股（A 股散户市反转效应强）
• 近 5 日涨超 5% 的高分股暂缓买入（避免追高）
• 止损黑名单：被止损过的股票永久排除

仓位管理

• Kelly 准则: 按历史胜率/盈亏比动态计算最优仓位（半 Kelly）
• 波动率目标: 市场波动大时自动减仓，波动小时加仓（目标年化波动率 20%）
• 个股上限: 单只股票仓位不超过 15%
• 持仓上限: 最多同时持 5 只股票

退出规则

规则	说明
阶梯移动止损	盈利>=6%时止损上移到+3%（锁利），盈利>=3%时止损上移到成本价（保本）
基础止损	4%
止盈	15%
持仓上限	10 天（到期自动卖出）
动量退出	评分连续 2 次低于阈值时退出

默认参数

参数	默认值	说明
entry_threshold	55	ML 分数 >= 此值才入场
stop_loss_pct	0.04	止损 4%
take_profit_pct	0.15	止盈 15%
hold_days	10	持仓天数
max_positions	5	最大持仓数
target_volatility	0.20	波动率目标

---

自学习系统

每次运行自动触发（后台线程，不阻塞主流程）：

技术	作用	触发频率
集成权重自适应	按滚动 IC 动态调 XGB/LGBM 权重	24小时缓存
ICIR 动态加权	高预测力因子增强，低预测力因子削弱	7天缓存
因子衰减检测	CUSUM 检测因子预测力下降，自动降权	7天缓存
自动退化检测	过拟合比>5.0 时丢弃 warm-start 重训	每次 train-model
增量学习	warm_start 避免全量重训练	每次 train-model
Walk-Forward	滑动窗口 250天/60天，过拟合检测	按需运行

---

Alpha Zoo 因子库（457 个）

来源	数量	说明
gtja191	191	国泰君安短周期交易型 alpha 因子
alpha101	101	Kakushadze "101 Formulaic Alphas"
qlib158	154	Microsoft Qlib Alpha158 特征
academic	6	Fama-French 5 因子 + Carhart 动量
proprietary	5	私有因子库（25 个子因子）

处理流程：原始值 → 行业/市值 OLS 中性化 → 百分位 → robust z-score → 因子缓存 → ICIR 加权

私有因子库

因子	描述	子因子数
proprietary_microstructure	市场微观结构因子	5
proprietary_alternative	另类数据因子	5
proprietary_advanced_tech	高级技术因子	5
proprietary_northbound	北向资金因子	5
proprietary_sector_rotation	板块轮动因子	5

优势:

• ✅ 独特性：不依赖学术文献，避免因子拥挤
• ✅ 多样性：涵盖微观结构、另类数据、高级技术
• ✅ 互补性：与现有 452 个因子形成互补

---

增强 Regime 检测

系统使用多维度市场状态识别：

维度	指标	说明
波动率	ATR、波动率聚类	衡量市场波动
趋势	MA 对齐、价格偏离	衡量市场方向
动量	RSI、ROC	衡量动量强度
情绪	成交量、RSI 极端	衡量市场情绪
市场结构	价格范围、波动率 regime	衡量市场结构

5 种市场状态:

状态	仓位比例	触发条件
牛市 (bull)	100%	正趋势 + 正动量 + 价格在 MA60 上方
熊市 (bear)	30%	负趋势 + 负动量 + 价格在 MA60 下方
震荡 (sideways)	70%	其他情况
高波动 (high_volatility)	40%	高波动 + 中性或负趋势
危机 (crisis)	10%	高波动 + 负趋势 + 极端情绪

优势:

• ✅ 多维度识别：5 个维度综合判断
• ✅ 精细化：5 种状态（vs 原来 4 种）
• ✅ 概率化：包含状态转移概率

---

性能

81 只股票筛选耗时约 80 秒（首次运行），后续运行因因子缓存更快。

回测表现（统一评分：ML集成 + Alpha Zoo ICIR + 因子衰减 + 技术指标）：

指标	数值
总收益	+258.49%
年化收益	+2243.66%
夏普比率	+9.11
最大回撤	11.09%
胜率	65.7%
盈亏比	2.73
平均盈利	+7.24%
平均亏损	-5.09%
交易次数	35
平均持仓	8 天

参数优化详情:

参数	优化前	优化后	说明
止损	5%	4%	更紧的止损减少平均亏损
止盈	30%	15%	更合理的止盈提升平均盈利
入场阈值	55	60	更严格的入场条件
持仓天数	10	12	给更多时间让利润增长
最大持仓数	5	4	降低集中度风险
止损冷却期	15	20	减少频繁交易

---

配置

aimoon --config my_config.yaml

# 筛选
history_days: 250
top_n: 20
min_market_cap_yi: 10.0
max_market_cap_yi: 10000.0

# 交易策略
entry_threshold: 55
stop_loss_pct: 0.04
take_profit_pct: 0.15
hold_days: 10
max_positions: 5

# 模型
use_alpha: true

# 缓存
cache_ttl_hours: 24

参数优先级：命令行参数 > 配置文件 > 默认值

---

自选股票管理

支持手动添加自选股票到持仓池，自选股票会与机构持仓池合并。

基本命令

aimoon watchlist add 000001,600036         # 添加股票到自选列表
aimoon watchlist remove 000001             # 从自选列表删除股票
aimoon watchlist list                      # 列出所有自选股票
aimoon watchlist clear                     # 清空自选列表

使用场景

# 1. 添加你看好的股票
aimoon watchlist add 600519,000858,002304  # 添加贵州茅台、五粮液、洋河股份

# 2. 查看自选列表
aimoon watchlist list
# 输出: 自选股票 (3 只): 000858, 002304, 600519

# 3. 运行筛选（自选股票会自动加入持仓池）
aimoon
# 持仓池: 机构持仓 XX 只 + 自选 3 只 = XX 只

# 4. 删除某些自选
aimoon watchlist remove 002304

# 5. 清空所有自选
aimoon watchlist clear

工作原理

• 自选股票存储在 .aimoon_watchlist.json 文件中
• 每次运行筛选时，自选股票会自动合并到机构持仓池
• 自选股票不受机构持仓筛选条件限制（北向、基金、ROE 等）
• 自选股票仍然会经过基本的筛选（市值、价格、换手率等）

---

安全改进

缓存安全性

本项目已将所有缓存序列化从 pickle 迁移到 JSON，以消除潜在的安全风险。

改进内容：

• ✅ 替换所有 pickle.loads()/pickle.dumps() 为 json.load()/json.dump()
• ✅ DataFrame 缓存使用 pd.read_json()/df.to_json() (lines 格式)
• ✅ 消除 CWE-502 漏洞（不安全的反序列化）
• ✅ 缓存文件扩展名从 .pkl 更改为 .json

涉及文件：

• src/aimoon/cache.py - DataFrame 缓存层
• src/aimoon/data/filters.py - 持仓池缓存
• src/aimoon/data/spot.py - 行情数据缓存

为什么重要：

• pickle 反序列化可执行任意代码，存在远程代码执行风险
• JSON 是安全的文本格式，不包含可执行代码
• 提升了整体系统的安全性

代码质量改进

本次审查还包括以下代码质量改进：

• ✅ 清理 4,210+ 未使用的导入 - 减少启动时间和内存占用
• ✅ 代码格式化 - 516 个文件使用 black 统一格式
• ✅ 改进错误处理 - 消除 bare except，捕获特定异常
• ✅ 导入排序 - 使用 isort 规范导入顺序

静态分析检查：

# 代码检查
ruff check src/aimoon

# 类型检查
mypy src/aimoon --ignore-missing-imports

# 安全扫描
bandit -r src/aimoon

# 格式化检查
black --check src/aimoon

---

缓存管理

aimoon cache clear    # 清除所有缓存（含模型、因子、ICIR）
aimoon update         # 清除缓存并重新获取数据
aimoon refresh-pool   # 强制刷新机构持仓池

缓存目录：.aimoon_cache/

子目录	内容	TTL	格式
ml/	XGBoost + LightGBM 模型	7天	JSON
ml/adaptive_weights.json	集成自适应权重	24小时	JSON
icir/	ICIR 因子权重	7天	JSON
factor_decay/	因子衰减检测结果	7天	JSON
*.json	K 线数据缓存	24小时	JSON

注意：所有缓存文件现在使用 JSON 格式（安全、易读）。旧的 .pkl 缓存文件需要清除后重新生成。

清除旧缓存：

aimoon cache clear    # 清除所有缓存
aimoon update         # 清除并重新获取数据

---

输出文件

每次筛选/回测自动导出到 output/ 目录：

• aimoon_YYYYMMDD_HHMMSS.csv — CSV（含 action/stop_loss/take_profit 列）
• aimoon_YYYYMMDD_HHMMSS.md — Markdown（含完整交易策略和交易计划）
• backtest_report_YYYYMMDD_HHMMSS.md — 回测报告
• equity_curve.png / drawdown.png / monthly_returns.png — 图表

---

项目结构

src/aimoon/
├── cli.py               # CLI 入口
├── config.py             # 配置管理
├── models.py             # Signal / ScoredStock（支持 ml_score 覆盖）
├── screener.py           # 纯 ML 排名筛选器
├── enhanced_backtest.py  # 回测引擎（3大交易策略 + 阶梯移动止损）
├── optimizer.py          # Walk-Forward 验证
├── output.py             # 输出格式化（含交易策略报告）
├── cache.py              # 安全的 JSON 缓存层 ✅
├── ml/                   # ML 集成学习
│   ├── alpha360.py       # Alpha360 时序特征
│   ├── feature_pipeline.py  # 特征提取（中性化 + 因子缓存）
│   ├── trainer.py        # XGBoost 训练（purged CV + warm_start）
│   ├── lgbm_trainer.py   # LightGBM 训练（purged CV + warm_start）
│   ├── ensemble.py       # 集成预测器（自适应权重 + 缓存）
│   ├── predictor.py      # 信号映射
│   ├── icir_weighter.py  # ICIR 动态因子加权
│   └── factor_decay.py   # 因子衰减检测（CUSUM）
├── data/                 # 数据层（安全的 JSON 缓存）✅
│   ├── filters.py        # 持仓池过滤 + JSON 缓存
│   ├── spot.py           # 实时行情 + JSON 缓存
│   ├── history.py        # 历史 K 线
│   └── quality.py        # 数据质量检查
├── factors/              # Alpha Zoo 因子系统
│   ├── base.py           # 16 个基础算子
│   ├── registry.py       # AST 扫描 + 惰性计算注册表
│   ├── panel.py          # 宽表面板转换
│   ├── scorer.py         # 因子评分（ICIR + 衰减加权）
│   └── zoo/              # 452 个因子文件
└── scoring/              # 评分系统
    ├── __init__.py       # 分类上限评分（fallback 用）
    └── adaptive_weight.py # Regime 自适应权重

✅ 标记：已通过安全审查并修复 pickle 漏洞的模块

---

更新日志

v0.2.2 (2026-06-06) - ML训练优化 + 统一回测评分

🎯 核心改进：

• 统一回测评分 — 回测引擎现在使用与实盘完全一致的评分系统：ML 集成（Alpha360 特征）+ Alpha Zoo（ICIR 动态权重 + 因子衰减）+ 技术指标 → hybrid_score()
• 反过拟合优化 — XGBoost 过拟合比从 131:1 降至 5.4:1
  • 强正则化：max_depth 4→3, min_child_weight 10→50, learning_rate 0.1→0.01, gamma 0.1→1.0
  • 稳定性特征选择：IC≥0.01, top_k 100→40
  • 自动退化检测：过拟合比>5.0 时自动丢弃 warm-start 重训
• ML 模型集成到回测 — EnhancedBacktestEngine 新增 _get_ml_scores_for_date()，每 bar 按日期提取 Alpha360 特征并运行 XGBoost+LightGBM 预测

📊 性能提升：

指标	v0.1.3	v0.2.0
总收益	+38.99%	+258.49%
夏普比率	+5.13	+9.11
最大回撤	11.57%	11.09%
胜率	50.0%	65.7%

🔧 训练管线重构：

• 提取 _training_commons.py 共享模块（ICIR、SHAP、过拟合检测、元数据保存）
• 配置统一：optimized_config.py 成为超参数单一来源
• feature_pipeline.py：多窗口技术特征（5d/10d/20d）、Alpha360 修复（日期偏移 20→65）
• data_handler.py：修复 mediants → medians 拼写错误

🛡️ 代码质量：

• Python Review 修复：4 个 HIGH + 9 个 MEDIUM 问题
• SHAP 特征重要性：采样至 1000 行加速
• 日志改进：Alpha360/Alpha Zoo 失败从 debug 升级为 warning

v0.1.3 (2026-06-04) - 安全性与代码质量改进

🔒 安全改进：

• 修复 Pickle 安全漏洞 - 将所有缓存序列化从 pickle 迁移到 JSON
  • 消除 CWE-502 漏洞（不安全的反序列化）
  • 消除远程代码执行风险
  • 涉及文件：cache.py, data/filters.py, data/spot.py (7处)

✨ 代码质量改进：

• 清理 4,210+ 未使用的导入 - 显著减少启动时间和内存占用
• 代码格式化 - 516 个文件使用 black 统一格式
• 改进错误处理 - 消除 bare except，改为捕获特定异常
• 导入排序规范化 - 192 处导入排序问题

📊 静态分析改进：

• Ruff 错误从 4,750 减少到 540 (-89%)
• 安全漏洞从 7 个减少到 0 个 (-100%)
• 所有 Python 文件格式统一

⚠️ 重要提示：

• 缓存格式已更改，建议清除旧缓存后重新生成：

  aimoon cache clear
  aimoon update
  

📄 详细文档：

• CODE_REVIEW_REPORT.md - 完整的审查报告
• FIX_SUMMARY.md - 详细的修复总结

🔧 技术细节：

• DataFrame 缓存使用 JSON lines 格式 (orient='records', lines=True)
• 持仓池使用 JSON 数组格式
• 所有 JSON 文件使用 UTF-8 编码，支持中文

---

致谢

Vibe-Trading

• 项目: HKUDS/Vibe-Trading
• 作者: HKU Data Science Lab (HKUDS), 香港大学
• 许可证: MIT License
• 整合内容: Alpha Zoo 因子库、mootdx 数据源、统计验证工具、增强回测指标

参考文献

• Kakushadze, "101 Formulaic Alphas" (arXiv:1601.00991)
• Lopez de Prado, "Advances in Financial Machine Learning" (Wiley)
• Grinold & Kahn, "Active Portfolio Management"
• Microsoft QLib — github.com/microsoft/qlib

---

开发指南

代码质量标准

本项目遵循以下代码质量标准：

静态分析工具：

• Ruff - Linting 和代码规范检查
• Black - 代码格式化（line-length=100）
• Mypy - 类型检查（建议逐步添加类型注解）
• Bandit - 安全漏洞扫描

运行检查：

# 代码检查
ruff check src/aimoon

# 格式化检查
black --check src/aimoon

# 类型检查
mypy src/aimoon --ignore-missing-imports

# 安全扫描
bandit -r src/aimoon -ll -ii

自动修复：

# 修复导入排序和未使用导入
ruff check src/aimoon --fix

# 格式化代码
black src/aimoon --target-version py312

安全最佳实践

序列化：

• ✅ 使用 JSON 进行数据序列化（安全、易读）
• ❌ 避免使用 pickle（存在远程代码执行风险）

错误处理：

• ✅ 捕获特定异常（如 ValueError, KeyError）
• ❌ 避免 bare except（隐藏错误）

缓存安全：

• ✅ 所有缓存文件使用 JSON 格式
• ✅ 设置合理的 TTL（过期自动失效）
• ✅ 对缓存数据进行验证

贡献指南

提交前检查清单：

• 运行 ruff check src/aimoon --fix 修复 linting 问题
• 运行 black src/aimoon 格式化代码
• 运行 bandit -r src/aimoon 检查安全漏洞
• 确保所有测试通过（如果有测试套件）
• 检查是否有硬编码的敏感信息

代码风格：

• 使用类型注解（type hints）
• 函数不超过 50 行
• 文件不超过 800 行
• 避免魔法数字（使用常量或配置）

安全要求：

• 不得使用 pickle 进行反序列化
• 不得使用 bare except
• 不得硬编码密码或 API 密钥
• 对所有外部输入进行验证

性能优化建议

数据获取：

• 使用缓存避免重复请求
• 并发获取数据（ThreadPoolExecutor）
• 设置合理的超时时间

内存优化：

• 及时清理大型 DataFrame
• 使用生成器处理大数据集
• 限制并发线程数量

计算优化：

• 使用 numpy 向量化操作
• 避免 Python 循环处理大数据
• 利用 pandas 内置函数

---

Rumi 策略

系统包含 Rumi（Relative Strength + Momentum）策略，结合 KRange 自适应离场机制：

Rumi 综合得分

Rumi Score = (Momentum × 0.4) + (Relative Strength × 0.3) + (Volatility × 0.3)

得分区间:

• 80-100: 强看多（+5 分加权）
• 70-79: 看多（+3 分加权）
• 60-69: 温和看多（+1 分加权）
• 20-59: 中性（不加权）
• 0-19: 强看空（-5 分加权）

KRange 自适应离场

KRange Upper = Close + (Multiplier × ATR)
KRange Lower = Close - (Multiplier × ATR)

离场条件:

• 止损: 价格跌破跟踪止损
• 止盈: 价格突破 KRange 上轨
• 动量减弱: Rumi 得分下降
• 时间止损: 持仓超过 20 天

智能跟踪止损

Trailing Stop = max(
    Base Stop (highest - 2.0 × ATR),
    Rumi-adjusted Stop (highest - (2.0 - rumi_factor × 0.5) × ATR),
    Regime-adjusted Stop (highest - (2.0 × regime_factor) × ATR),
    Profit Protection Stop
)

止损阶梯:

• 盈利 ≥ 3%: 保本保护（止损 = 0）
• 盈利 ≥ 6%: 锁定 55% 利润
• 盈利 ≥ 10%: 锁定 45% 利润
• 盈利 ≥ 15%: 锁定 35% 利润

---

代码质量改进

前瞻偏差修复（12 项）

问题	修复	状态
PurgedTimeSeriesSplit 日期计算	使用 date_column 参数	✅
标签计算使用收盘价	改为使用开盘价	✅
backtest.py 信号窗口	排除当前 bar	✅
enhanced_backtest 入场价格	使用 T+1 开盘价	✅
Alpha/技术信号时间基	统一使用前一天信号	✅
adapt_weights 使用前瞻收益	改为使用已实现收益	✅
factor_decay 使用前瞻收益	改为使用已实现收益	✅
icir_weighter 使用前瞻收益	改为使用已实现收益	✅
label_engine 时间偏移	改为 T+1 到 T+1+forward_days	✅
momentum exit 使用收盘价	改为使用开盘价	✅
伪造日期序列	移除假日期生成	✅
Kelly 参数使用全局交易	改为只使用历史交易	✅

代码重构

• ✅ run_portfolio 拆分: 从 520 行缩减到 80 行
• ✅ Phase 方法提取: 5 个独立的 Phase 方法
• ✅ EnhancedPosition: 使用 dataclass 替代裸 dict
• ✅ 类型注解: 100% 覆盖
• ✅ Mypy 错误: 0 个

性能优化

• ✅ 并行因子计算: ThreadPoolExecutor
• ✅ 智能面板缓存: 基于内容哈希
• ✅ 内存优化: 数据类型优化
• ✅ 性能监控: PerformanceMonitor 类

---

贡献者

感谢所有为 Aimoon 项目做出贡献的开发者！

---

最后更新: 2026-06-06 版本: 0.2.2 (ML训练优化 + 统一回测评分) 维护者: iloat