集成模型/多模型融合助手

数据获取

通过 cn-stock-data skill 获取数据：

• K线数据: 日线历史数据
• 因子数据: 预计算因子库
• 模型预测: 各子模型的预测结果

分析工作流

Step 1: 子模型构建

• 模型多样性：LightGBM/XGBoost/线性/MLP/LSTM
• 特征多样性：不同特征子集训练不同模型
• 时间多样性：不同训练窗口/更新频率
• 标签多样性：不同预测周期(5日/10日/20日)

Step 2: 集成方法选择

• 简单平均：等权平均各模型预测
• 加权平均：按历史IC加权
• Stacking：用元模型学习最优组合权重
• Blending：holdout集上训练组合权重

Step 3: 集成效果评估

• 集成IC vs 单模型IC：集成应显著提升
• 集成稳定性：IC波动率应降低
• 模型贡献度：各子模型对集成的边际贡献
• 冗余检测：去除贡献为负的子模型

Step 4: 动态集成

• 时变权重：根据近期表现动态调整权重
• 市场状态适配：不同市场状态用不同权重
• 在线学习：实时更新集成权重
• 模型淘汰：持续表现差的模型自动降权

Step 5: 输出报告

输出格式

formal 风格（研报级）

# 集成模型报告

## 一、子模型概览
| 模型 | IC | 权重 |
|------|-----|------|

## 二、集成表现
[集成IC/Sharpe vs 单模型]

## 三、模型贡献
[各模型边际贡献分析]

## 四、当期信号
[集成预测Top/Bottom]

brief 风格（快速分析）

## 集成模型速览
- 5个子模型加权集成
- 集成IC=0.055 vs 最优单模型0.042
- Sharpe提升 +0.4
- 本期集成Top10：[股票列表]

参考 references/ensemble-model-guide.md 获取详细方法论与 A股实证研究。

使用示例

示例 1: 基本使用

# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})

示例 2: 命令行使用

python scripts/run_skill.py --input data.json