Panda ML 模块深度分析

src/panda_ml 定义了量化工作流中机器学习任务的基础抽象。它提供了一套标准化的接口（Node），用于构建数据预处理、模型训练和预测的流水线。

1. 核心设计理念

该模块借鉴了 scikit-learn 的 fit/transform 设计模式，并将计算单元抽象为工作流节点（BaseNode）。

• DataNode: 专注于数据清洗和特征工程，支持 fit（统计分布）和 transform（数据转换）。
• ModelNode: 专注于模型生命周期，支持 fit（离线训练）、predict（在线推断）和 update（增量学习）。

2. 核心类与文件详解

2.1 节点抽象基类

• 文件: base_node.py

  • 类: BaseNode(ABC)
  • 职责: 定义所有 ML 节点的顶层契约。
  • 接口: execute(context) - 所有子类必须实现的执行入口。

• 文件: data_node.py

  • 类: DataNode(BaseNode)
  • 职责: 数据处理节点基类。
  • 逻辑: execute 方法会根据上下文自动调用 fit 或 transform。

• 文件: mode_node.py (应为 model_node.py)

  • 类: ModelNode(BaseNode)
  • 职责: 算法模型节点基类。
  • 逻辑: 支持 train (调用 fit)、predict (调用 predict) 和 update (调用 update) 三种运行模式。

2.2 装饰器系统

• 文件: decorators.py
  • 功能: 提供 @node_spec 装饰器。
  • 作用: 为节点类注入元数据（名称、描述、输入输出 Schema），配合插件系统的注册机制使用。

2.3 算法实现示例

• 文件: importance_spearman_factor_combiner.py
  • 功能: 这是一个具体的算法实现，用于因子合成。
  • 算法: 基于 Spearman 相关系数计算因子的动态权重。
  • 流程:
    1. fit: 计算 Feature Importance 与未来收益的 RankIC。
    2. compute_weights: 根据 IC 值分配权重。
    3. transform: 对多因子进行加权求和，输出复合因子。

3. 依赖关系

• 核心依赖: abc (抽象基类), pandas (数据处理), numpy, scipy (统计计算)。
• 交互: 该模块主要被 panda_plugins 中的 ML 节点继承和使用。