这页回答什么
- 主模型采用回归算法，每个收盘日先生成一个连续分数。
- 当日分数只和自己更早的历史分数比较，切成第1到第5档；第5档表示历史分数最高。
- 再收集同指数、同期限、同档、且未来收益在当时已经收盘完成的日期。
- 把这些历史样本的收益整理成 P10/P25/P50/P75/P90 和上涨频率。
- 它描述“过去这一档发生过什么”，不判断未来一定落在哪个区间。
样本进入规则
步骤一生成主模型分数每个交易日收盘后，用当日已知特征生成；模型训练只用更早年份。
步骤二分数转成档位历史分数累计达到 250 个后才开始；此后每日分数都和此前全部历史分数比较，切成五档，第5档最高。
步骤三锁定今天查询状态用今天的指数、期限和档位作为查询条件；今天本身不进入历史样本。
步骤四筛选历史同状态日期只保留同指数、同期限、同档位的历史日期；不同状态不混入。
步骤五检查样本是否完成历史日期之后 H 个交易日已经收盘才保留；未走完的进入等待区。
不进入样本的情况
分数缺失或分数史不足：不分档
状态不同：不混入参考集
结果未完成：只等待
通过五步的历史样本才计算 P10/P25/P50/P75/P90 和上涨频率。H1/H2/H3 分别指未来1/2/3个交易日的收盘到收盘收益。
H1 / H2 / H3未来1/2/3个交易日的收盘到收盘收益，不是第几天的单独涨跌。
档位分数分档只用更早历史；至少累计 250 个历史分数后才开始。
分位数已完成历史样本的排序结果，不是未来路径概率。
条件上涨这些历史样本中收益大于 0 的次数占比，不是预测概率。
主 / 究主行是回归算法五档历史参考；究行是机器学习研究层，只作对照，不融合。
回归算法用回归模型综合多维特征生成连续分数，并控制过度拟合。
机器学习研究层内部代号 shape_final，基于梯度提升分位数模型、连续分数位次和当前波段幅度生成更细分布。
科创50上市时间较晚、历史有效样本不足，主模型仅观察；研究层不生成估计，避免在弱样本上制造假精度。
两层当前分布对照
同一收益刻度 · 主参考与研究补充
主行按离散档位收集历史样本；究行用连续分数位次、当前波段幅度和季度冻结的机器学习模型细化区间。同一刻度只为对照，不代表两个模型融合成一个新信号。浅色带为 P10-P90，深色带为 P25-P75，圆点为 P50。