投资组合策略类型详细文档

高准确率策略v2.0

核心策略 high_accuracy_v2

权重: 35%

每日生成: 5次运行，每次生成3个组合（标准+保守+激进），共15个组合

表现: 平均收益23.25%，表现最佳

实现文件: /src/core/high_accuracy_stock_recommender.py

核心算法: 多维度加权评分机制、专家知识对齐算法、置信度计算模型

选股逻辑: 基础筛选→板块筛选→资金筛选→技术筛选→综合评分

风险模式: 保守、标准、激进三种模式，可根据风险偏好动态调整参数

适用场景: 震荡市或趋势初期，风险偏好适中的投资者

图神经网络分析

核心策略 gnn_analysis

权重: 25%

每日生成: 2个组合

表现: 平均收益20.15%，长期表现稳定

实现文件: /src/core/simple_recommenders.py

核心算法: 图神经网络(GNN)预测、实时图构建系统、多维度特征提取

选股逻辑: 股票池选择→图构建→GNN预测→预测结果处理→风险评估与最终筛选

模型类型: 使用GAT(Graph Attention Network)模型分析股票关系

适用场景: 复杂关系网络的市场，适合捕捉跨股票联动效应

多模型融合策略

核心策略 v3_fusion

权重: 10%

每日生成: 1个组合

表现: 平均收益19.8%，综合多种信号

实现文件: /src/core/v3_realtime_signal_engine.py

核心算法: 五信号融合引擎（TFT+GNN+V3+XGBoost+DQN多模型融合）

选股逻辑: 股票池选择→多模型预测→信号融合→风险评估与调整→最终筛选

更新频率: 1分钟更新频率，支持高频策略

适用场景: 趋势明确的市场，风险偏好较高的投资者

技术+概念融合

辅助策略 combined

权重: 8%

每日生成: 1个组合

表现: 平均收益17.08%，风险分散

实现文件: /src/core/simple_recommenders.py

核心算法: 多策略融合框架、追涨风险控制系统、龙头股识别算法

选股逻辑: 多策略基础筛选→统一评分机制→追涨风险评估→龙头股识别→最终筛选

分析维度: 综合技术分析、概念题材和资金流向多维度

适用场景: 技术面和概念题材结合的市场，风险偏好适中的投资者

平衡策略

辅助策略 balanced

权重: 7%

每日生成: 1个组合

表现: 平均收益16.70%，稳健增长

实现文件: 基于combined策略实现

核心算法: 多策略融合框架、风险均衡算法、稳健增长模型

选股逻辑: 基础筛选→风险均衡→收益潜力评估→最终筛选

策略特点: 追求长期稳健增长，风险分散，波动较小

适用场景: 适合保守型投资者，长期投资

核信号系统

辅助策略 kernel_signal

权重: 5%

每日生成: 1个组合

表现: 平均收益18.2%，基于复杂信号

实现文件: /scripts/kernel_signal_portfolio_generator.py

核心算法: 核驱动信号生成算法、信号强度计算、置信度评估模型

选股逻辑: 候选股票获取→批量信号生成→BUY信号筛选→权重计算→组合创建

筛选条件: 信号强度>=0.6，置信度>=0.5，风险评分<=0.7

适用场景: 适合追求高置信度信号的投资者

板块轮动

实验策略 sector_rotation

权重: 3%

每日生成: 1个组合

表现: 平均收益13.62%，中等收益

实现文件: /src/core/simple_recommenders.py

核心算法: 板块动量跟踪模型、板块轮动预测、龙头股选择算法

选股逻辑: 板块动量分析→板块筛选与排序→板块内选股→组合构建

预测模型: 使用马尔可夫链模型预测板块切换概率

适用场景: 板块轮动明显的市场，适合中期投资策略

龙头股识别

实验策略 leader_stock

权重: 2%

每日生成: 1个组合

表现: 平均收益17.5%，追踪市场龙头

实现文件: /src/core/leader_stock_recommender.py

核心算法: 龙头股识别模型、假龙头检测算法、市值相对位置分析

选股逻辑: 股票池准备→初步龙头识别→严格标准校验→市值相对位置分析→龙头股评分计算→最终筛选

市值偏好: 偏好行业中小市值股票（更容易连续上涨）

适用场景: 寻找强势龙头股的市场，风险偏好较高的投资者

潜力龙头识别

实验策略 potential_leader

权重: 2%

每日生成: 1个组合

表现: 平均收益16.9%，提前布局成长股

实现文件: /src/core/potential_leader_recommender.py

核心算法: 潜力龙头识别模型、假龙头检测算法、潜力评分系统

选股逻辑: 股票池准备→潜力龙头初筛→潜力评分计算→假龙头检测→最终筛选

检测能力: 识别短期炒作、波动性过大的假龙头股票

适用场景: 寻找潜力龙头的市场，希望提前布局的用户

概念题材

实验策略 concept_theme

权重: 2%

每日生成: 1个组合

表现: 平均收益14.8%，把握市场热点

实现文件: /src/core/simple_recommenders.py

核心算法: 概念热度评估模型、追涨风险评估系统、龙头股识别算法

选股逻辑: 概念筛选→基础筛选→龙头股识别→追涨风险评估→最终筛选

热度计算: 基于搜索量、媒体曝光度、资金流入等多维度

适用场景: 概念题材活跃的市场，希望把握短期热点的用户

复盘分析

实验策略 review_analysis

权重: 1%

每日生成: 0个组合（已暂停）

表现: 表现不佳

实现文件: /src/core/simple_recommenders.py

核心算法: 复盘热点识别模型、龙头股识别算法、追涨风险评估系统

选股逻辑: 复盘数据获取→基础筛选→热点匹配→龙头股识别→追涨风险评估→最终筛选

热点识别: 基于历史涨停股、涨幅榜、资金流向识别热点

适用场景: 复盘热点明显的市场，适合短线交易策略

AI预测系统

实验策略 ai_prediction

权重: 0%

每日生成: 0个组合（已暂停）

表现: 表现不佳

实现文件: /src/core/simple_recommenders.py

核心算法: 多模型AI预测系统、预测记录管理、置信度校准机制

选股逻辑: AI预测数据获取→实时数据验证→预测质量评估→追涨风险评估→最终筛选

模型整合: 整合TFT、GNN、XGBoost、DQN等模型预测

适用场景: AI预测有效的市场，适合趋势明确的市场环境