AFML 方法组件

语言：简体中文 · English

本页记录从金融机器学习方法中落地到 quant-market-research 的研究组件。它们保持 owner-native API，不导入编排层、组合回测层或执行层实现。

组件

模块	用途	主要产物
`alpha_research.event_labeling`	波动率目标、triple barrier、meta-label	`label_events.parquet`
`alpha_research.sample_weighting`	label concurrency、average uniqueness、return attribution、time decay、sequential bootstrap	`sample_weights.parquet`、`sample_weights.receipt.json`
`alpha_research.probability_calibration`	只使用历史窗口的 isotonic / Platt 校准、概率到 bet size 映射	OOS calibration report
`alpha_research.fracdiff`	fixed-width fractional differentiation 和训练窗口内的 d 选择	feature evidence
`alpha_research.structural_breaks`	CUSUM、recursive residual CUSUM、SADF	regime / break evidence

事件表契约

label_triple_barrier 的输出至少包含：

event_id
symbol
signal_date
label_start
label_end
first_touch
barrier
target
side
realized_return
side_adjusted_return
label
meta_label

同一张事件表应同时用于标签、purging、embargo 和 sample weighting。不要在不同模块中各自推断一个近似的 label horizon。

样本权重

推荐正式候选使用：

from alpha_research.sample_weighting import SampleWeightConfig, build_event_sample_weights

weights, receipt = build_event_sample_weights(
    label_events,
    bar_index=trade_calendar,
    config=SampleWeightConfig(
        mode="uniqueness_time_decay",
        uniqueness_power=1.0,
        time_decay_halflife=252,
        min_weight=0.05,
    ),
)

权重输出按均值 1 归一化。receipt 会记录事件 hash、有效样本量、权重集中度和 average uniqueness。

正式研究协议应在 event-window 构建不完整时拒绝晋升。探索运行可以降级，但必须显式记录 fallback 和覆盖率。

概率校准和 meta-label

概率校准只允许使用严格早于当前打分日的已实现结果。expanding_probability_calibration 不会使用同日 outcome。校准后的概率可以转成 bet size，但最终组合约束、风险目标和换手限制仍由 portfolio-backtester 拥有。

Fracdiff

d 的选择必须位于训练窗口内，或在独立开发期冻结。不得在全样本上扫描 d 后按最终回测表现挑选。每个候选应同时报告：

ADF t-stat
与原序列的相关性
有效观测数
feature-family ablation

Structural break

CUSUM 和 SADF 输出属于研究特征或诊断证据。它们不能直接触发实盘下单或自动换模型。较高频输入应先在数据层聚合。sadf_series 面向日频和预聚合序列，不适合原始逐笔订单簿消息。