几天时间一直在甄选模型和如何部署，会涉及到原来模块的废弃。
1.模型互补性 (Model Diversity)：选择的三个模型各自擅长捕捉不同类型的数据模式，形成了完美的互补。
•XGBoost：作为一种梯度提升决策树模型，它非常擅长处理结构化数据。你可以为它构建大量的传统技术指标（如MA, RSI, MACD, 布林带等）、价格形态特征、订单流数据等。它能高效地挖掘这些特征之间复杂的非线性关系。
•LSTM (长短期记忆网络)：作为一种循环神经网络（RNN），它天生就是为时间序列数据而生。它能有效捕捉数据中的长期依赖关系和时序动态，例如趋势的惯性、动量的持续性等。它直接处理原始的价格序列（如OHLCV）时效果很好。
•CNN (卷积神经网络)：虽然常用于图像识别，但一维CNN在时间序列分析中也非常强大。它可以被看作一个高效的模式识别器，能够自动学习和提取价格序列中的局部、平移不变的模式（比如特定的K线组合、W底、M顶的雏形等），而不需要你手动去定义这些模式。
2.鲁棒性增强 (Increased Robustness)：金融市场是高噪声、非平稳的。单一模型可能会在某个市场阶段表现优异，但在另一个阶段失效。通过加权融合三个模型的预测，可以有效平滑掉单个模型的极端错误，使得最终的交易信号更加稳健，降低策略的过拟合风险。
实施步骤：
第一阶段：独立建模
•为每个模型（XGBoost, LSTM, CNN）分别搭建完整的“数据处理 -> 训练 -> 验证”流水线“。
•目标是让每一个模型都能独立产生有一定预测能力的结果（即使能力不强）。如果某个模型连最基本的预测能力都没有，它对最终的集成可能只会带来负面影响。
第二阶段：模型集成
•获取三个模型在验证集上的预测结果。
•研究如何组合它们。从简单的静态加权开始，如果效果不错，再尝试实现更复杂的元模型（Stacking）。
第三阶段：策略转换与回测
•将集成后的预测概率（或类别）转换成明确的交易信号（开仓、平仓、仓位大小）。
•在回测框架中对完整的策略进行历史回测，并使用从未在训练和验证中出现过的样本外数据（Out-of-Sample Data）进行最终测试。
4.第四阶段：模拟与实盘
•在最终测试中表现良好的策略，先进行一段时间的模拟盘交易，观察其在真实市场环境下的表现，最后再考虑投入实盘。
这几天已经完成：
1、针对品种+周期的敏感特征探索
2、针对敏感特征进行参数优化
3、模型（XGBoost）的超参调优（加载敏感指标+优化参数等特征）
4、训练模型，固化训练成果
5、进行回测
该过程已经对硬件运算条件提出了要求。。。