模型研究所
一套面向 ETF 状态识别的多层级信号蒸馏与动态校准框架。
模型研究所用于展示系统如何进行状态识别、侧向压力识别、候选排序、误差校准与版本演化。页面内容用于解释系统逻辑，不构成任何投资建议。
当前展示：午间校准 · 展示日期：2026-07-10
系统运行节奏
单日快照更新机制前台始终只展示当前最新快照。三次刷新只替换 current snapshot，不并列展示三个版本。
模型架构总览
数据在系统内经过状态转移引擎、多维特征层、侧向压力识别、候选排序与稀疏控制，最终输出可解释状态结果。
状态转移引擎
State Transition Engine识别 ETF 在不同状态之间的迁移规律。从无信号到准备建仓、建仓，再到注意风险、高风险，关注状态演化路径而非买卖指令。
多维特征层
Multi-Factor Feature LayerState Memory
状态记忆
捕捉 ETF 历史状态马尔可夫链转移概率，构建非线性状态记忆矩阵。
Theme Resonance
主题共振
基于多维聚类计算跨市场主题因子共振强度，锁定核心主线。
Sparse Control
稀疏控制
L1 正则化约束特征矩阵稀疏度，确保状态信号高置信度与低频属性。
状态识别框架
五状态（无信号 / 准备建仓 / 建仓 / 注意风险 / 高风险）的模型含义与边界。
侧向压力识别
建仓侧压力 = 准备建仓 + 建仓；风险侧压力 = 注意风险 + 高风险。观察核心 ETF 池内状态重心的偏移。
多维特征层
状态记忆层、状态路径层、主题共振层、稀疏控制层、ETF个体先验、风险惯性层、目标辅助层、误差回补层。
候选排序系统
综合状态路径分、主题共振分、个体活跃分、风险惯性分、稀疏约束分、综合状态分进行优先级排序。
稀疏信号控制
ETF 状态信号具有天然稀疏性。保持状态输出的密度、节奏与可解释性，避免每日点亮过多 ETF。
误差校准系统
持续记录 Hit / Missed / False Positive / Side Drift / Theme Drift，进入校准账本等待多日证据积累。
版本演化路线
Version Evolution专业终端版
引入多因子特征层与状态共振，重构系统架构，引入马尔可夫链与 L1 正则化。
候选排序增强版
多维候选排序系统上线。
主题扩散版
主题共振分析模块上线。
侧向校准版
侧向压力感知与误差校准系统上线。
状态观察版
原型引擎，基础动量状态机实现。
模型边界
· 模型用于 ETF 状态识别、历史回看与结构化研究；
· 不用于自动交易，不输出确定性预测，不提供收益承诺；
· 状态结果应理解为研究型状态信号，而非单一买卖指令；
· 误差校准系统是模型改进机制，不代表消除所有误差；
· 任何模型都有其适用范围，建议结合其他信息源综合判断。
以上内容仅用于 ETF 状态观察与研究，不构成任何投资建议，过往表现不代表未来收益。 投资决策请自行判断并咨询持牌专业机构。