# 机器学习训练配置文件

# 数据配置
data:
  # 训练数据路径
  train_data_path: "./data/training_data.csv"
  # 测试数据路径
  test_data_path: "./data/test_data.csv"
  # 历史数据天数（增加到3年）
  history_days: 1095
  # 训练集比例
  train_ratio: 0.8
  
# 特征工程配置
features:
  # 技术指标
  technical:
    - ma5
    - ma10
    - ma20
    - ma60
    - macd
    - macd_signal
    - macd_hist
    - rsi
    - kdj_k
    - kdj_d
    - kdj_j
    - boll_upper
    - boll_middle
    - boll_lower
    - volume_ratio
    - turnover_rate
  
  # 基本面指标
  fundamental:
    - pe_ratio
    - pb_ratio
    - roe
    - debt_ratio
    - profit_growth
    - revenue_growth
  
  # 市场指标
  market:
    - market_cap
    - float_cap
    - industry_index
    - market_sentiment

# 模型配置
models:
  # 市场分析师 - 随机森林（增强版）
  market_analyst:
    type: "random_forest"
    params:
      n_estimators: 500  # 增加到500棵树
      max_depth: 20      # 增加深度
      min_samples_split: 5
      min_samples_leaf: 2
      random_state: 42
      n_jobs: -1  # 使用所有CPU核心
    
  # 技术分析师 - XGBoost（增强版）
  technical_analyst:
    type: "xgboost"
    params:
      n_estimators: 500  # 增加到500
      max_depth: 10      # 增加深度
      learning_rate: 0.05  # 降低学习率，训练更慢但更准确
      subsample: 0.8
      colsample_bytree: 0.8
      random_state: 42
      n_jobs: -1
  
  # 基本面分析师 - LightGBM（增强版）
  fundamental_analyst:
    type: "lightgbm"
    params:
      n_estimators: 500  # 增加到500
      max_depth: 15      # 增加深度
      learning_rate: 0.05  # 降低学习率
      num_leaves: 63     # 增加叶子数
      random_state: 42
      n_jobs: -1
  
  # 新闻分析师 - 朴素贝叶斯
  news_analyst:
    type: "naive_bayes"
    params:
      alpha: 1.0
  
  # 风险分析师 - 逻辑回归
  risk_analyst:
    type: "logistic_regression"
    params:
      C: 1.0
      max_iter: 1000
      random_state: 42
      n_jobs: -1
  
  # 策略分析师 - 神经网络（深度版）
  strategy_analyst:
    type: "mlp"
    params:
      hidden_layer_sizes: [256, 128, 64, 32]  # 4层深度网络
      activation: "relu"
      solver: "adam"
      alpha: 0.0001
      batch_size: 32
      learning_rate: "adaptive"
      max_iter: 2000  # 增加到2000轮
      random_state: 42
      early_stopping: true
      validation_fraction: 0.1

# 训练配置
training:
  # 批次大小
  batch_size: 1000
  # 是否使用交叉验证
  cross_validation: true
  # 交叉验证折数
  cv_folds: 5
  # 早停轮数
  early_stopping_rounds: 10
  # 评估指标
  metrics:
    - accuracy
    - precision
    - recall
    - f1_score
    - auc

# 增量学习配置
incremental_learning:
  # 是否启用增量学习
  enabled: true
  # 更新频率（天）
  update_frequency: 7
  # 保留历史数据天数
  history_retention: 180
  # 最小训练样本数
  min_samples: 1000

# 模型保存配置
model_save:
  # 模型保存路径
  save_path: "./models"
  # 是否保存训练历史
  save_history: true
  # 模型版本控制
  versioning: true

# 日志配置
logging:
  level: "INFO"
  file: "./logs/training.log"
  format: "{time:YYYY-MM-DD HH:mm:ss} | {level} | {message}"