tradingSystem/research/macro_grid_20261029/render.py

385 lines
29 KiB
Python
Raw Permalink Blame History

This file contains ambiguous Unicode characters

This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.

#!/usr/bin/env python3
"""从固定结果生成中文研究图与报告,不重新选参。"""
from pathlib import Path
import json
import sys
import numpy as np
import pandas as pd
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from matplotlib import font_manager
from matplotlib.colors import TwoSlopeNorm
from engine import HERE, NAMES, dump, sha, protocol, load_data, no_network
OUT = HERE/'results'
FIG = HERE/'figures'
STYLES = ['000300.SH', '399006.SZ', '932000.CSI']
PRIMARY = ['market']+STYLES
TITLE = {'formation': '同步形成', 'direction': '进入方向', 'efficiency': '推进效率', 'full': '三项合用',
'without_formation': '移除同步形成', 'without_direction': '移除进入方向', 'without_efficiency': '移除推进效率',
'static': '网格与当前同步', 'grid': '价格成交网格', 'baseline': '原有信息基线'}
def style():
for path in ['/System/Library/Fonts/STHeiti Light.ttc','/usr/share/fonts/opentype/noto/NotoSansCJK-Regular.ttc']:
if Path(path).exists():
font_manager.fontManager.addfont(path)
plt.rcParams['font.family'] = font_manager.FontProperties(fname=path).get_name()
break
plt.rcParams.update({'axes.unicode_minus': False, 'font.size': 10, 'savefig.dpi': 160,
'axes.spines.top': False, 'axes.spines.right': False})
def p(x, digits=2):
return '—' if x is None or not np.isfinite(x) else f'{x*100:.{digits}f}%'
def n(x, digits=2):
return '—' if x is None or not np.isfinite(x) else f'{x:.{digits}f}'
def heat(ax, values, support=None, limits=None, cmap='RdBu_r', percentage=True):
a = np.asarray(values, float).reshape(5,5)
if limits is None:
m = max(.01, np.nanmax(np.abs(a)))
limits=(-m,m)
im = ax.imshow(a, origin='lower', cmap=cmap, vmin=limits[0], vmax=limits[1], aspect='equal')
if support is not None:
good = np.asarray(support, bool).reshape(5,5)
# 薄样本格覆盖半透明灰色,同时保留数值供探索。
rgba = np.zeros((5,5,4))
rgba[~good] = [.8,.82,.84,.78]
ax.imshow(rgba, origin='lower', aspect='equal')
else:
good = np.ones((5,5),bool)
for i in range(5):
for j in range(5):
v=a[i,j]
label='—' if not np.isfinite(v) else (f'{v*100:+.1f}' if percentage else f'{v:.2f}')
if not good[i,j]: label+='*'
rgba=im.cmap(im.norm(v)) if np.isfinite(v) else (1,1,1,1)
dark=sum(rgba[k]*w for k,w in enumerate([.2126,.7152,.0722]))<.45
ax.text(j,i,label,ha='center',va='center',fontsize=9,color='white' if dark and good[i,j] else '#172739')
ticks=['0–20','20–40','40–60','60–80','80–100']
ax.set_xticks(range(5),ticks,fontsize=8)
ax.set_yticks(range(5),ticks,fontsize=8)
ax.set_xlabel('成交活跃度历史百分位')
ax.set_ylabel('价格位置历史百分位')
return im
def region_heatmaps(results):
fig, axes=plt.subplots(3,3,figsize=(15,13),layout='constrained')
for i,s in enumerate(STYLES):
rows=results[s]['grid']
support=[x['display_supported'] for x in rows]
for j,(field,title,limit,percent) in enumerate([
('price_sync','价格同步水平',(0.4,1),False),
('residual_sync','控制波动与动量后的同步差',(-.1,.1),True),
('median_return','随后20日收益中位数',(-.1,.1),True)]):
im=heat(axes[i,j],[x.get(field) for x in rows],support,limit,'YlGnBu' if j==0 else 'RdBu_r',percent)
axes[i,j].set_title(f'{NAMES[s]} · {title}')
fig.colorbar(im,ax=axes[i,j],shrink=.75,label='相关系数' if j==0 else ('相关系数差,格内数字乘100' if j==1 else '收益比例,格内数字为百分数'))
fig.suptitle('同一区域的同步程度与后续走势:2024至2026年历史滚动检验',fontsize=17)
fig.supxlabel('灰格及*:少于30个日期或5次访问;所有网格均为探索展示,相关性增强与上涨方向分别检验。',fontsize=10)
fig.savefig(FIG/'区域同步与收益热力图.png')
plt.close(fig)
def support_heatmaps(results):
fig,axes=plt.subplots(1,3,figsize=(15,5.6),layout='constrained')
for ax,s in zip(axes,STYLES):
rows=results[s]['grid']
a=np.array([r['n'] for r in rows]).reshape(5,5)
im=ax.imshow(a,origin='lower',vmin=0,vmax=100,cmap='Blues')
for i in range(5):
for j in range(5):
r=rows[i*5+j]
ax.text(j,i,f"{r['n']}日\n{r['visits']}次",ha='center',va='center',fontsize=10,color='white' if r['n']>65 else '#172739')
ax.set_xticks(range(5),['低','偏低','中','偏高','高'])
ax.set_yticks(range(5),['低','偏低','中','偏高','高'])
ax.set_xlabel('成交活跃度层级');ax.set_ylabel('价格层级');ax.set_title(NAMES[s])
fig.colorbar(im,ax=axes,label='检验日期数',shrink=.75)
fig.suptitle('网格覆盖:日期数与访问次数同时展示',fontsize=17)
fig.supxlabel('一次连续停留算同一次访问;相邻访问和20日未来收益仍可能相关。',fontsize=10)
fig.savefig(FIG/'网格样本覆盖.png');plt.close(fig)
def incremental(comps):
pairs=[('formation','static'),('direction','static'),('efficiency','static'),('full','static'),
('full','without_formation'),('full','without_direction'),('full','without_efficiency')]
cols=['加入同步形成','加入进入方向','加入推进效率','三项合用','形成的独有贡献','方向的独有贡献','效率的独有贡献']
a=np.full((4,7),np.nan)
lookup={(c['target'],c['candidate'],c['reference']):c for c in comps}
for i,s in enumerate(PRIMARY):
for j,(cand,ref) in enumerate(pairs):
a[i,j]=lookup[(s,cand,ref)].get('relative_improvement_pct',np.nan)
m=max(1,np.nanmax(np.abs(a)))
fig,ax=plt.subplots(figsize=(15,5.6),layout='constrained')
im=ax.imshow(a,cmap='RdBu',vmin=-m,vmax=m,aspect='auto')
for i,s in enumerate(PRIMARY):
for j,(cand,ref) in enumerate(pairs):
c=lookup[(s,cand,ref)]
label=f'{a[i,j]:+.2f}%\n校正p={c["p_holm"]:.2f}'
ax.text(j,i,label,ha='center',va='center',fontsize=10,color='white' if abs(a[i,j])>m*.65 else '#172739')
ax.set_xticks(range(7),cols,fontsize=10)
ax.set_yticks(range(4),[NAMES[s] for s in PRIMARY])
ax.set_title('概率预测的增量价值:正值表示三分类Brier误差下降',fontsize=17,pad=18)
fig.colorbar(im,ax=ax,label='相对误差改善(%)',shrink=.85)
fig.supxlabel('前四列相对“网格与当前同步”;后三列比较完整模型与逐项移除。28项统一Holm校正。',fontsize=10)
fig.savefig(FIG/'三因素增量比较.png');plt.close(fig)
fig,axes=plt.subplots(2,2,figsize=(14,9),layout='constrained',sharey=True)
colors=['#2b6f99','#d18b22','#8a6bb1','#2c8b68']
for ax,s in zip(axes.flat,PRIMARY):
for color,(cand,ref) in zip(colors,pairs[:4]):
c=lookup[(s,cand,ref)]
years=list(c.get('yearly_improvement_pct',{}))
ax.plot(years,[c['yearly_improvement_pct'][y] for y in years],marker='o',label=TITLE[cand],color=color)
ax.axhline(0,color='#8d949e',linewidth=1)
ax.set_title(NAMES[s]);ax.set_ylabel('Brier相对改善(%)');ax.legend(fontsize=9)
fig.suptitle('同一因素能否跨年保留优势',fontsize=17)
fig.supxlabel('2026年仅含截至9月16日、未来20日标签已完整兑现的信号;2026年并非全年。',fontsize=10)
fig.savefig(FIG/'三因素逐年表现.png');plt.close(fig)
def one_dimension(results):
fig,axes=plt.subplots(2,3,figsize=(15,8),layout='constrained',sharey=True)
all_values=[r['median_return']*100 for s in STYLES for dim in ['price_rank','volume_rank']
for r in results[s]['univariate'][dim] if r['median_return'] is not None]
low,high=min(0,min(all_values)),max(0,max(all_values));span=max(1,high-low)
for j,s in enumerate(STYLES):
for i,dim in enumerate(['price_rank','volume_rank']):
rows=results[s]['univariate'][dim]
ax=axes[i,j]
ax.bar(range(10),[r['median_return']*100 if r['median_return'] is not None else np.nan for r in rows],color='#366b91',alpha=.85)
ax.axhline(0,color='#777',linewidth=.8)
ax.set_xticks(range(10),[f'{k*10}–{k*10+10}' for k in range(10)],rotation=45,fontsize=8)
ax.set_ylabel('未来20日收益中位数(%)')
ax.set_xlabel(('价格' if i==0 else '成交活跃度')+'历史百分位')
ax.set_title(NAMES[s])
ax.set_ylim(low-span*.06,high+span*.18)
for k,r in enumerate(rows):
ax.text(k,.97,str(r['n']),transform=ax.get_xaxis_transform(),ha='center',va='top',fontsize=8)
fig.suptitle('单维分层结果:价格位置与成交活跃度',fontsize=17)
fig.supxlabel('柱顶行数字为日期数;全部使用同一历史滚动检验区间,尚未加入同步筛选。',fontsize=10)
fig.savefig(FIG/'单维价格与成交分层.png');plt.close(fig)
def current_chart(results,data):
fig,axes=plt.subplots(3,1,figsize=(14,11),layout='constrained')
for ax,s in zip(axes,STYLES):
c=results[s]['current'];d=data[s].iloc[-120:]
ax.plot(d.index,d.close,color='#1c4264',lw=1.7,label='指数收盘')
ax.scatter(d.index[-1],d.close.iloc[-1],color='#172739',zorder=5)
edges=c['regions']['edges'];b=int(c['price_bin'])
ax.axhspan(edges[b],edges[b+1],color='#929aa3',alpha=.10)
ax.axhline(edges[b],color='#717983',ls=':',lw=1)
label=[f'当前层 {edges[b]:.0f}–{edges[b+1]:.0f}']
for side,color,word in [('lower','#387e70','下方'),('upper','#b57c33','上方')]:
zone=c['regions'][side]
if zone:
ax.axhspan(zone['low'],zone['high'],color=color,alpha=.14)
ax.axhline(zone['high'] if side=='lower' else zone['low'],color=color,ls='--',lw=1)
label.append(f"{word} {zone['low']:.0f}–{zone['high']:.0f}({'同步增强候选' if zone['enhanced'] else '几何参考'})")
else: label.append(word+'无完整相邻格')
prob=c['models']['full']['probabilities']
ax.set_title(f"{NAMES[s]} {c['close']:.2f}点 | 模型原始分数:上涨{prob[2]:.0%} 震荡{prob[1]:.0%} 下跌{prob[0]:.0%}")
ax.set_ylabel('指数点位')
ax.text(.01,.03,';'.join(label),transform=ax.transAxes,fontsize=10,bbox={'facecolor':'white','alpha':.85,'edgecolor':'none'})
ax.margins(x=.04)
fig.suptitle('截至2026年10月23日的区间快照',fontsize=18)
fig.supxlabel('灰带为当前价格层,层下沿仅为观察边界;概率校准表现不佳,模型原始分数不作为可信胜率。所有边界按10月23日冻结。',fontsize=10)
fig.savefig(FIG/'当前区间快照.png');plt.close(fig)
def paths_chart(results,data):
fig,axes=plt.subplots(1,3,figsize=(15,5.4),layout='constrained',sharey=True)
stats={}
for ax,s in zip(axes,STYLES):
d=data[s];events=results[s]['supplementary']['events'];stats[s]={}
for direction,color,label in [(1,'#b77434','偏多事件'),(-1,'#386e9a','偏空事件')]:
curves=[]
for event in events:
if event['direction'] != direction:continue
date=pd.Timestamp(event['date']);t=d.index.get_loc(date);entry=d.open.iloc[t+1]
curves.append(np.r_[0,d.close.iloc[t+1:t+21].to_numpy()/entry-1,d.open.iloc[t+21]/entry-1])
if curves:
a=np.asarray(curves)
ax.plot(range(22),np.median(a,axis=0)*100,color=color,label=f'{label}中位数 n={len(a)}')
ax.plot(range(22),np.mean(a,axis=0)*100,color=color,ls='--',alpha=.7,label=f'{label}均值')
stats[s][str(direction)]={'n':len(a),'mean_path':a.mean(axis=0),'median_path':np.median(a,axis=0)}
ax.axhline(0,color='#999',lw=.8);ax.legend(fontsize=8);ax.set_title(NAMES[s])
ax.set_xticks([0,5,10,15,21],['入场','5日收','10日收','15日收','20日后开盘'],rotation=20)
ax.set_ylabel('指数相对入场开盘变化(%)')
fig.suptitle('固定完整模型的方向事件路径',fontsize=17)
fig.supxlabel('方向概率至少50%、比反方向高15个百分点;事件间隔至少20交易日。指数价格路径,不是账户收益。',fontsize=10)
fig.savefig(FIG/'各风格事件路径.png');plt.close(fig)
dump(OUT/'event_paths.json',stats)
def calibration_chart(results):
fig,axes=plt.subplots(1,3,figsize=(15,5),layout='constrained')
for ax,s in zip(axes,STYLES):
ax.plot([0,1],[0,1],ls='--',color='#929aa3',label='预测与实际一致')
for name,color in [('static','#5e8eab'),('full','#bd793a')]:
rows=[r for r in results[s]['metrics'][name]['calibration'] if r['class']==2 and r['n']>0]
ax.plot([r['predicted'] for r in rows],[r['observed'] for r in rows],marker='o',color=color,label=TITLE[name])
if name=='full':
for r in rows:ax.annotate(str(r['n']), (r['predicted'],r['observed']), xytext=(3,5),textcoords='offset points',fontsize=8)
ax.set_xlim(0,1);ax.set_ylim(0,1);ax.set_title(NAMES[s])
ax.set_xlabel('模型预测的上涨概率');ax.set_ylabel('实际上涨达标比例');ax.legend(fontsize=8)
fig.suptitle('概率校准:模型越确信上涨,实际达标比例没有相应提高',fontsize=17)
fig.supxlabel('五个固定概率组;数字为完整模型的日期数。上涨达标指20日收益超过信号时半个预测期波动尺度。',fontsize=10)
fig.savefig(FIG/'上涨概率校准.png');plt.close(fig)
def diagnostics(results,data):
calendar=data['000001.SH'].index
records={}
for s in STYLES:
pred=pd.read_json(OUT/f'predictions_{s}.json.gz',orient='table')
dates=pred.index[pred.static_high]
clusters=[]
end=-1
for date in dates:
pos=calendar.get_loc(date)
if pos>end:
clusters.append({'first':str(date.date()),'last':str(date.date()),'dates':1})
else:
clusters[-1]['last']=str(date.date());clusters[-1]['dates']+=1
end=pos+21
c=results[s]['current'];b=int(c['price_bin']);edges=c['regions']['edges']
records[s]={'static_high_days':len(dates),'overlapping_label_clusters':clusters,
'current_band':[edges[b],edges[b+1]],'lower_observation_edge':edges[b],
'lower_edge_distance_pct':(edges[b]/c['close']-1)*100,
'current_up_score':c['models']['full']['probabilities'][2],
'calibration_group':next(r for r in results[s]['metrics']['full']['calibration']
if r['class']==2 and r['bin']==min(4,int(c['models']['full']['probabilities'][2]*5)))}
output={'scope':'结果后的集中度和展示诊断;未重选参数,未变更主比较、协议或统计家族。',
'clustering':'按20日标签实际退出位置连通合并;相连窗口计同一段,不声称这些段相互独立。',
'styles':records}
dump(OUT/'diagnostics.json',output)
return output
def write_report(results,comps,pdata,diag):
lines=['# 宏观价格成交网格与趋势增量实验', '',
'本轮以2026年10月23日为行情末日,检验同步形成、进入方向和价格推进效率能否改善20日趋势判断。协议于2026年10月29日北京时间11时10分固定并提交,全部计算使用开发机既有缓存。', '',
'主结果来自2024、2025、2026三个年度的历史滚动检验;每次只用此前五个完整年训练,并删除退出日期跨入检验年的标签。已有历史参与过假设形成,因此这属于历史外推研究。', '',
'**本轮结论:三项因素在当前网格交互模型中均未取得总体正增量,完整模型误差增加8.48%至13.05%。** 原有信息基线的误差也低于网格模型,因此下一版应优先检验更简约的网格表示,而不是继续增加指标。', '',
'值得保留的研究线索是同步形成与高同步停滞的状态差异,以及中证2000相对较强的低位修复倾向;两者目前都不能转成确定趋势信号。当前三个风格落在最低价格层,分位网格在尾部过粗,导致没有完整下方相邻格。这是区间设计需要改进的具体位置。', '',
'## 三项因素的增量价值', '',
'Brier分数是上涨、震荡、下跌三种概率的平方误差之和,越小越好。下表正值表示相较网格与当前同步模型的误差下降。四个目标各七项比较统一进行28项Holm校正。', '',
'| 判断对象 | 检验日数 | 同步形成 | 进入方向 | 推进效率 | 三项合用 |',
'| --- | ---: | ---: | ---: | ---: | ---: |']
lookup={(c['target'],c['candidate'],c['reference']):c for c in comps}
for s in PRIMARY:
vals=[lookup[(s,k,'static')]['relative_improvement_pct'] for k in ['formation','direction','efficiency','full']]
lines.append(f"| {NAMES[s]} | {results[s]['n']} | "+' | '.join(f'{x:+.2f}%' for x in vals)+' |')
accepted=[c for c in comps if c['target'] in PRIMARY and c['accepted']]
lines += ['', '达到预设综合标准的主比较有'+str(len(accepted))+'项。综合标准要求改善为正、区块区间不跨零、校正后p小于0.05,并在至少三个年度中的两个年度改善。', '',
'![三因素增量比较](figures/三因素增量比较.png)', '',
'![三因素逐年表现](figures/三因素逐年表现.png)', '',
'| 对象 | 对比 | Brier绝对改善 | 95%区块区间 | 校正p | 收益预测MSE改善 |',
'| --- | --- | ---: | --- | ---: | ---: |']
for c in comps:
if c['target'] not in PRIMARY:continue
desc=TITLE[c['candidate']]+' 相对 '+TITLE[c['reference']]
lo,hi=c['ci95']
lines.append(f"| {NAMES[c['target']]} | {desc} | {n(c['mean'],4)} | {n(lo,4)} 至 {n(hi,4)} | {c['p_holm']:.3f} | {c['mse_improvement_pct']:+.2f}% |")
lines += ['', '区块区间对已固定的外推预测误差按60交易日抽样2000次,保留时间相关性;不把每一天或每一网格当成独立试验,也不涵盖全部训练重估不确定性。', '',
'## 各风格概率表现与覆盖', '',
'| 对象 | 当前同步模型Brier | 完整模型Brier | 完整模型准确率 | 方向判断覆盖率 |',
'| --- | ---: | ---: | ---: | ---: |']
for s in PRIMARY:
m=results[s]['metrics'];lines.append(f"| {NAMES[s]} | {m['static']['brier']:.4f} | {m['full']['brier']:.4f} | {p(m['full']['accuracy'],1)} | {p(m['full']['coverage'],1)} |")
lines += ['', '| 对象 | 原有信息基线 | 加网格 | 加当前同步 | 再加三项因素 |',
'| --- | ---: | ---: | ---: | ---: |']
for s in PRIMARY:
m=results[s]['metrics']
lines.append('| '+NAMES[s]+' | '+' | '.join(f"{m[k]['brier']:.4f}" for k in ['baseline','grid','static','full'])+' |')
lines += ['', '上表各列为同一日期集合的Brier,逐步扩展使用信息。它说明整套网格相较原有信息的变化;主检验的三因素增量仍以当前同步模型为对照。', '',
'全市场标签要求沪深300、中证500、中证1000中至少两个出现同方向、超过各自半个预测期波动尺度的变化;它与三指数平均收益的正负并不等同。风格标签分别计算,创业板与宽基的重叠不增加全市场票数。', '',
'中证2000的历史外推日期均在发布后,五年训练包含发布前回溯数据;它也不等同PMS微盘股票篮子。科创50因自身QRS预热后不足五个完整训练年,不生成同等级外推预测,描述结果保留在机器结果中。', '',
'## 同步形成与同步高位的状态差异', '',
'| 风格 | 状态 | 日期数 | 20日均值/中位数 | 相较静态模型预测的平均收益差 |',
'| --- | --- | ---: | --- | ---: |']
for s in STYLES:
for key,label in [('forming','同步形成较强'),('static_high','同步较高且不再增强'),('weak_forming','同步形成较弱')]:
r=results[s]['synchrony_states'][key]
lines.append(f"| {NAMES[s]} | {label} | {r['n']} | {p(r['mean_return'])}/{p(r['median_return'])} | {p(r['mean_residual_return'])} |")
lines += ['', '强弱分位阈值只在对应训练期估计。这张表展示状态差异,不控制三组网格构成完全相同;三因素的正式增量结论以同日期模型比较为准。', '',
'## 价格与成交分层', '', '![区域同步与收益](figures/区域同步与收益热力图.png)', '',
'![网格样本覆盖](figures/网格样本覆盖.png)', '',
'![单维价格与成交分层](figures/单维价格与成交分层.png)', '',
'二维网格按各自此前252日价格位置与成交活跃度分成五层。价格位置以此前60日均价和20日ATR归一;活跃度使用含当日5日平均成交额除以此前60日成交额中位数。同步残差由每个训练期的基线特征岭回归去除动量、波动、QRS、普通涨跌广度和股汇背景。图中灰格仍保留探索读数,不能据其颜色宣称单格显著。', '',
'## 截至数据末日的区间判断', '',
'以下是2026年10月23日收盘快照,不代表10月29日实时判断。概率来自事先固定的完整模型,并与当前同步基线并列;未根据本轮结果更换当前模型。价格百分位是相对均价的ATR偏离位置在过去一年的分位,不是指数绝对点位的历史分位。', '',
'完整模型的概率校准表现不佳,下列数字只作为原始模型分数,不能直接解释成可信胜率。三指数平均价格相关性为0.925,较此前非重叠60日上升0.022,尚未达到训练期强同步形成门槛0.075。三个风格的成交活跃度分别为常态参照的82.4%、79.7%、86.4%;从价格位置、量能和模型分歧判断,目前更像共同下跌后的分化修复,未形成全市场一致的可确认方向。', '',
'| 对象 | 收盘点位 | 均价偏离百分位 | 成交百分位 | 5日推进效率 | 原始模型下跌/震荡/上涨 | 模型倾向 |',
'| --- | ---: | ---: | ---: | ---: | --- | --- |']
for s in PRIMARY:
c=results[s]['current'];m=c['models']['full']
lines.append(f"| {NAMES[s]} | {n(c.get('close'))} | {p(c['price_rank'],1)} | {p(c['volume_rank'],1)} | {p(c['efficiency'],1)} | "+'/'.join(p(v,1) for v in m['probabilities'])+f" | {m['direction']} |")
lines += ['', '![当前区间快照](figures/当前区间快照.png)', '',
'| 风格 | 当前所在价格层 | 层下沿相距现价 | 上方同步区域或参考 |',
'| --- | --- | ---: | --- |']
for s in STYLES:
info=diag['styles'][s];z=results[s]['current']['regions']['upper']
upper='无' if z is None else f"{z['low']:.0f}至{z['high']:.0f}({'同步增强候选' if z['enhanced'] else '几何参考'})"
lines.append(f"| {NAMES[s]} | {info['current_band'][0]:.0f}至{info['current_band'][1]:.0f} | {info['lower_edge_distance_pct']:+.2f}% | {upper} |")
lines += ['', '当前层下沿4016、2553、2521点分别是三个风格的历史分位投影边界,可用于观察是否继续跌出已有状态范围;本轮没有证明它们会形成支撑。由于三个风格都在最下层,其下方没有完整相邻格,双侧首次到达统计的有效分母为零。三个风格同格类比原有74、84、52个日期,均因缺少完整下方区域未进入双侧比较。', '',
'区间由训练期同成交层的同步残差、样本覆盖筛选,再按快照日均价和ATR投影。没有合格同步增强区域时,只显示相邻几何参考;超出历史有限边界时不外推一个目标。首次到达与触区响应的逐项状态保留在完整结果中。', '',
'| 风格 | 当前同步基线下跌/震荡/上涨 |',
'| --- | --- |']
for s in STYLES:
c=results[s]['current']
lines.append(f"| {NAMES[s]} | "+'/'.join(p(v,1) for v in c['models']['static']['probabilities'])+' |')
lines += ['', '响应定义为触区后五个完整收盘内,在先穿透外侧半个ATR之前反向移动一个ATR;ATR与区间在信号日冻结。开盘越界、触区即穿透和观察不完整分别记账。', '',
'## 概率校准', '', '![上涨概率校准](figures/上涨概率校准.png)', '',
'| 风格 | 当前上涨原始分数 | 所在概率组历史日数 | 该组平均预测 | 实际上涨达标比例 |',
'| --- | ---: | ---: | ---: | ---: |']
for s in STYLES:
info=diag['styles'][s];g=info['calibration_group']
lines.append(f"| {NAMES[s]} | {p(info['current_up_score'],1)} | {g['n']} | {p(g['predicted'],1)} | {p(g['observed'],1)} |")
lines += ['', '此表是历史外推概率组的诊断,不是对当前样本另做概率重标定。它解释为什么当前中证2000的50.7%原始上涨分数只能描述模型倾向。', '',
'## 方向事件路径与费用压力', '',
'![各风格事件路径](figures/各风格事件路径.png)', '',
'| 对象 | 事件数 | 10基点方向幅度均值/中位数 | 30基点 | 60基点 |',
'| --- | ---: | --- | --- | --- |']
for s in PRIMARY:
z=results[s]['supplementary'];parts=[]
for bp in [10,30,60]:
v=z['summary'][f'{bp}bps'];parts.append(p(v['mean'])+'/'+p(v['median']))
lines.append(f"| {NAMES[s]} | {z['event_count']} | "+' | '.join(parts)+' |')
lines += ['', '事件按固定完整模型概率至少50%、比反方向高15个百分点触发,并间隔至少20交易日。偏空只检验价格下跌方向的幅度,不假定股票可卖空。指数开盘标签与统一摩擦不构成账户净收益,也不代表PMS现有09:35调度可按开盘成交。', '',
'## 下一轮值得优先检验的改动', '',
'第一,先去掉逐格交互,分别比较单维网格、二维平滑网格和全局三因素。当前完整模型有456列输入,每个训练窗约1190个重叠日标签;网格扩展已经降低外推表现。模型复杂度是否掩盖了原始因素的价值,需要另立对照验证。', '',
'第二,保留同步形成与高位停滞的区别,但按行情段评估。高同步且不再增强只有21个日期,未来收益窗口相连后合为'+str(len(diag['styles']['000300.SH']['overlapping_label_clusters']))+'段;不能用21个日期当21次独立发现。其明显较差的路径更适合进一步检验为趋势衰减条件。', '',
'第三,在最低和最高价格层内增加事先固定的ATR细格。当前三个风格均处最下层,分位网格将不同深度的下跌压在同一格,无法形成完整的下方候选区域。补足尾部结构后,再检验支撑反应与反转确认。', '',
'以上是结果后的研究建议,本轮没有重跑新参数或覆盖原结果。', '',
'## 可复核资料', '',
'- [固定协议](protocol.json)与[摘要](protocol.sha256)。',
'- [完整统计](results/results.json)、[逐项比较](results/comparisons.json)、[数据覆盖](results/data_coverage.json)。',
'- [独立复核](results/audit.json)与[运行摘要](results/manifest.json)。',
'- 逐日特征和预测保存在results目录的压缩JSON中;源行情沿用既有本地缓存,协议记录其摘要。',
'- 研究代码为engine.py、regions.py、run.py、render.py、audit.py及test_engine.py。', '',
'所有结果在开发机计算。线上应用、参数、持仓、数据库和容器均未改动;本研究代码不进入业务镜像,无受影响业务容器。', '']
(HERE/'宏观网格首轮研究报告.md').write_text('\n'.join(lines))
def main():
sys.addaudithook(no_network)
pdata=protocol();results=json.loads((OUT/'results.json').read_text());comps=json.loads((OUT/'comparisons.json').read_text())
data,_,_=load_data(pdata)
FIG.mkdir(exist_ok=True);style()
region_heatmaps(results);support_heatmaps(results);incremental(comps);one_dimension(results)
current_chart(results,data);paths_chart(results,data);calibration_chart(results)
diag=diagnostics(results,data);write_report(results,comps,pdata,diag)
dump(OUT/'render_manifest.json',{'figures':{x.name:sha(x) for x in FIG.glob('*.png')},'render_code':sha(HERE/'render.py')})
print('已生成8幅研究图与报告。')
if __name__=='__main__':main()