Financial Engineer Digital Employee

Financial Engineer Digital Employee / 金融工程专家数字员工

⚠️ 能力声明 / Capability Notice

• Type: Knowledge reference framework for financial professionals
• Purpose: Provides analytical templates, reference data, and workflow guidance
• No persistent storage, network calls, background execution, or credential collection
• All outputs are for reference only and require human review before real-world application
• This skill does NOT provide financial, legal, or insurance advice
• Users must exercise their own judgment and consult qualified professionals

⚠️ 使用声明

• 本技能提供金融行业专业知识参考框架，辅助专业人员进行分析和决策
• 所有输出仅供专业参考，不构成投资建议、法律意见或合规保证
• 实际业务操作中需结合具体监管要求和机构内部制度执行
• 最终报告和数据须经相关责任人审核确认后方可提交或使用
• 不替代专业培训师、合规官或审核人员的专业判断## Skill Overview / 技能概览

金融工程专家数字员工，集成以下14项核心能力模块：

1. Module 1: 数据轮廓速览
2. Module 2: 单变量分析
3. Module 3: 特征深度分析
4. Module 4: LR评分卡建模
5. Module 5: LR评分卡调参
6. Module 6: XGBoost建模
7. Module 7: XGBoost调参
8. Module 8: DNN深度学习建模
9. Module 9: DNN调参
10. Module 10: 多模型效果对比
11. Module 11: 模型解释
12. Module 12: 自主实验循环
13. Module 13: 分群建模
14. Module 14: DeepModel深度集成

---

---

Module 1: 数据轮廓速览

数据洞察报告 (portable)

基于 scripts/profiler.py 主脚本，对数据集进行轮廓扫描，生成数据概况报告。

---

参数说明

---

执行方式

python scripts/profiler.py \
  --data_path ./examples/toy.parquet \
  --output_dir ./outputs/profile_run

执行结束后：

• 产物目录 / 下生成：
  • report.md — 数据概况报告
  • result.json — 结构化产物清单（见 PROTOCOL.md）
• stdout 末行打印 result.json 绝对路径，Agent 读这个文件即可

---

产物示例

{
  "skill": "data-profiling",
  "status": "success",
  "files": [
    {"path": ".../report.md", "role": "report"}
  ],
  "metrics": {"n_rows": 10000, "n_cols": 28, "n_missing_cols": 5},
  "summary": "中等规模数据集（10,000行），28 个字段，数值型为主，发现 2 个高缺失字段"
}

---

报告输出结构

---

自适应展示

当数值/类别特征数量超过 20 个时，统计表格和图表只展示前 20 个，避免报告过长。

---

与其他 Skill 的关系

建议流程：

1. 先用 data-profiling 了解数据基本情况
2. 根据洞察结果，决定是否需要 feature-analysis 或 xgb-modeling

---

注意事项

1. 无需目标变量：本 Skill 不需要提供目标变量，纯数据描述
2. 快速轻量：执行速度快，适合大数据集的快速扫描
3. 自动类型推断：识别数值型、类别型、布尔型、时间型、文本型字段

---

Module 2: 单变量分析

单变量分析 (portable)

基于 scripts/analyzer.py 主脚本，对指定特征进行单变量级别的分布分析或预测力评估。

---

功能定位

---

参数说明

---

执行方式

数据探索模式（无目标变量）

python scripts/analyzer.py \
  --data_path ./data.parquet --features "age,income,score" \
  --output_dir ./outputs/uni_run

特征筛选模式（有目标变量）

python scripts/analyzer.py \
  --data_path ./data.parquet --features "age,income,score" --target y_label \
  --output_dir ./outputs/uni_run

交叉分布分析

python scripts/analyzer.py \
  --data_path ./data.parquet --features "age,income" --cross "age,income" \
  --output_dir ./outputs/uni_run

---

常用场景

场景一：数据探索（无目标变量）

查看单特征分布：

python scripts/analyzer.py --data_path ./data.parquet --features "age,income,score" --output_dir ./outputs/uni_run

指定等距分箱：

python scripts/analyzer.py --data_path ./data.parquet --features "age" --binning_method distance --n_bins 5 --output_dir ./outputs/uni_run

场景二：交叉分布分析

查看两个特征的联合分布：

python scripts/analyzer.py --data_path ./data.parquet --features "age,income" --cross "age,income" --output_dir ./outputs/uni_run

场景三：特征筛选（有目标变量）

计算 IV 值，评估特征预测力：

python scripts/analyzer.py --data_path ./data.parquet --features "age,income,score" --target y_label --output_dir ./outputs/uni_run

---

报告输出结构

数据探索模式（无目标变量）

特征筛选模式（有目标变量）

---

分箱说明

等频分箱（quantile）

按数据分位数划分，每箱样本量大致相等。适合分布不均匀的数据。

等距分箱（distance）

按数值区间等间隔划分。适合分布均匀的数据。

特殊值处理

• 缺失值：单独一箱，标记为 Missing
• 零值：当零值占比 > 5% 时单独一箱
• 负数：当存在负数时单独处理

---

输出示例

分布分析表

特征: age | 分箱方式: 等频 | 分箱数: 10

| 区间          | 样本数  | 占比    | 累计占比 |
|---------------|---------|---------|----------|
| Missing       | 156     | 1.56%   | 1.56%    |
| [18, 23)      | 984     | 9.84%   | 11.40%   |
| [23, 28)      | 1,012   | 10.12%  | 21.52%   |
| ...           | ...     | ...     | ...      |

交叉分布表

age × income 交叉分布

|              | 低收入   | 中收入   | 高收入   | 合计    |
|--------------|----------|----------|----------|---------|
| [18, 25)     | 800      | 300      | 134      | 1,234   |
| [25, 35)     | 500      | 1,200    | 756      | 2,456   |
| [35, 45)     | 200      | 800      | 1,000    | 2,000   |
| ...          | ...      | ...      | ...      | ...     |

IV 分箱明细表（有目标变量）

特征: age | IV = 0.1523

| 区间          | 样本数  | 正样本数 | 正样本率 | WoE     | IV      |
|---------------|---------|----------|----------|---------|---------|
| [18, 23)      | 984     | 156      | 15.85%   | 0.32    | 0.0234  |
| [23, 28)      | 1,012   | 98       | 9.68%    | -0.15   | 0.0089  |
| ...           | ...     | ...      | ...      | ...     | ...     |

---

与 feature-analysis 的关系

推荐工作流：univariate-analysis（快速筛选）→ feature-analysis（深度分析）

---

注意事项

1. 特征数量：建议单次分析不超过 50 个特征，大量特征请分批处理
2. 分箱数量：默认 10 箱，可根据数据量调整（数据量少时建议 5 箱）
3. 交叉分布：仅支持两个特征的交叉，建议选择离散或已分箱的特征
4. IV 计算：需要目标变量为 0/1 二分类
5. 产物位置：报告保存到 /

---

Module 3: 特征深度分析

建模特征分析报告 (portable)

基于 scripts/analyzer.py 主脚本，对数据集特征进行全面分析并生成 Markdown 报告。

---

参数说明

---

执行方式

python scripts/analyzer.py \
  --data_path ./data.parquet --target y_label \
  --exclude_cols "cust_code,busi_dt" \
  --baseline_filter "busi_dt <= '20250501'" \
  --comparison_filter "busi_dt > '20250701'" \
  --output_dir ./outputs/fa_run

---

常用场景

场景一：基础分析（不含 PSI）

适用于无时间维度的数据集：

python scripts/analyzer.py --data_path ./data.parquet --target y_label --output_dir ./outputs/fa_run

场景二：完整分析（含 PSI）

适用于有时间切分条件的数据集：

python scripts/analyzer.py --data_path ./data.parquet --target y_label \
  --baseline_filter "busi_dt <= '20250501'" \
  --comparison_filter "busi_dt > '20250701'" \
  --output_dir ./outputs/fa_run

场景三：单变量深度分析

输出 IV Top N 或指定特征的完整分箱明细表：

python scripts/analyzer.py --data_path ./data.parquet --target y_label --top_n 10 --output_dir ./outputs/fa_run
python scripts/analyzer.py --data_path ./data.parquet --target y_label --specified_features "umeng_ALL,bscore" --output_dir ./outputs/fa_run

---

报告输出结构

生成的 feature_analysis_report.md 包含以下章节：

---

特征筛选方案说明

报告自动生成四套建模特征方案：

---

与其他 Skill 的关系

建议流程：data-profiling（快速扫描）→ feature-analysis（深度分析+方案推荐）→ xgb-modeling（建模）

---

注意事项

1. 目标变量：必须为数值型
2. PSI 分析：需同时提供 baseline_filter 和 comparison_filter，否则跳过
3. 相关性：仅对数值型特征有效，非数值列自动跳过
4. 大数据集：报告默认展示 IV Top 20，完整数据在文件中
5. 产物位置：报告保存到 /

---

Module 4: LR评分卡建模

LR 评分卡建模 (portable)

基于 WoE (Weight of Evidence) 编码 + Logistic Regression 进行二分类评分卡建模。

核心流程：原始特征 → WoE 最优分箱编码 → LR 训练 → 评分卡转换

适用场景：

• 风控评分卡开发（标准 A/B/C 卡）
• 需要强可解释性的业务场景
• 监管合规要求模型白盒化

---

参数说明

---

执行方式

python scripts/modeling.py \
  --data_path ./data.parquet --target y_label \
  --time_col busi_dt \
  --exclude_cols "cust_code,busi_dt" \
  --output_dir ./outputs/lr_run

指定特征建模：

python scripts/modeling.py \
  --data_path ./data.parquet --target y_label \
  --features "feat1,feat2,feat3,feat4" \
  --regularization l1 --C 0.5 \
  --output_dir ./outputs/lr_run

---

常用场景

场景一：默认参数快速建模

python scripts/modeling.py --data_path ./data.parquet --target y_label --output_dir ./outputs/lr_run

场景二：指定特征建模

python scripts/modeling.py --data_path ./data.parquet --target y_label \
  --features "feat1,feat2,feat3" --output_dir ./outputs/lr_run

场景三：自定义评分卡参数

python scripts/modeling.py --data_path ./data.parquet --target y_label \
  --base_score 650 --pdo 40 --output_dir ./outputs/lr_run

---

输出产物

1. 建模报告（Markdown）— 含数据切分、WoE分箱表、LR系数表、评分卡转换表、三段式评估指标、稳定性分析
2. 模型文件（joblib）— LR 模型 + WoE 编码器序列化
3. 评分卡表（JSON）— 可直接用于部署的分箱-分数映射
4. result.json — 结构化产物清单

---

与其他建模 Skill 的对比

---

上下游关系

• 前置：data-profiling → feature-analysis / univariate-analysis（特征筛选）
• 后续：lr-tuning（调参优化）、model-comparison（多算法对比）
• 平行：与 xgb-modeling / dnn-modeling 可做横向对比（同数据不同算法）

---

注意事项

1. 目标变量：必须为 0/1 二分类
2. 时间切分：建议按时间切分，确保 OOT 为未来数据
3. 特征筛选：不传 --features 时自动按 IV 筛选（阈值 --iv_threshold）
4. WoE 分箱：使用 optbinning 做最优分箱，每特征最多 --max_n_bins 箱
5. 评分卡公式：Score = base_score - factor × ln(odds)，其中 factor = pdo / ln(2)
6. 不提供调参：需要调参请切 lr-tuning（搜索 WoE 分箱 + LR 正则化参数）
7. 模型保存：模型和评分卡保存到 /models/

---

Module 5: LR评分卡调参

LR 评分卡参数调优 (portable)

LR 评分卡调参的唯一入口，基于 _vendor/tuning/lr_engine.LRTuningEngine。

核心设计：WoE 分箱参数与 LR 正则化参数联合搜索，确保最优组合。

---

调优流程

基线 LR 模型 → 诊断分析(过拟合/欠拟合) → 约束空间构造 → Optuna 搜索 → 最优参数 → 迭代

---

执行模式

---

参数说明

---

搜索空间

---

诊断驱动策略

---

执行方式

交互式模式（单轮）

python scripts/tuner.py \
  --data_path ./data.parquet --target y_label \
  --round 1 --output_dir ./outputs/lr_tuning

AUTO 模式

python scripts/tuner.py \
  --data_path ./data.parquet --target y_label \
  --auto --max_rounds 5 --output_dir ./outputs/lr_tuning

---

调优策略

策略1：抗过拟合

适用条件：Train-OOT Gap > 0.05

调整方向：

• C: 当前值 × 0.5（收紧正则化）
• iv_threshold: 当前值 × 1.5（减少入模特征）
• max_n_bins: 当前值 - 1（降低分箱精细度）

策略2：增强拟合

适用条件：OOT AUC < 0.58 且 Gap < 0.03

调整方向：

• C: 当前值 × 2（放松正则化）
• iv_threshold: 当前值 × 0.5（增加入模特征）
• max_n_bins: 当前值 + 2（提升分箱精细度）

策略3：精细微调

适用条件：Gap ∈ [0.03, 0.05]，模型状态良好

调整方向：

• C: 小幅调整 ±20%
• max_n_bins: 微调 ±1
• 其他参数保持不变

策略4：收敛判定

条件：连续2轮 OOT 指标提升 < 0.001

行为：停止调优，输出最终结果

---

输出格式规范

每轮调优结束后，必须输出以下结构化信息：

### 第 N 轮 LR 调优结果

**参数变化**:
| 参数 | 上一轮 | 本轮 | 调整原因 |
|------|-------|------|----------|
| C | 1.0 | 0.5 | 收紧正则化 |
| iv_threshold | 0.02 | 0.03 | 减少入模特征 |
| max_n_bins | 8 | 6 | 降低过拟合 |

**效果对比**:
| 指标 | 上一轮 | 本轮 | 变化 |
|------|-------|------|------|
| OOT AUC | 0.72 | 0.73 | +0.01 ✓ |
| OOT KS | 0.17 | 0.18 | +0.01 ✓ |
| Gap | 0.06 | 0.04 | -0.02 ✓ |

**诊断结论**: 轻微过拟合（Gap 下降但仍 > 0.03）

**下一步建议**: 可继续微调 C 值，或接受当前结果

---

与其他技能的关系

---

注意事项

1. 数据要求：目标变量必须为 0/1 二分类
2. 联合搜索：WoE 分箱与 LR 参数联合优化，确保最优组合
3. 收敛判定：连续2轮提升不足 0.001 自动停止
4. 最大轮数：默认最多 5 轮
5. 产物位置：模型和报告保存到 /models/ 和 /

---

Module 6: XGBoost建模

XGBoost 建模 (portable)

基于 XGBoost 进行二分类建模，支持自动特征筛选、多方案对比、稳定性分析。可运行在任何 Python 环境，无平台耦合。调参请用 xgb-tuning。

核心流程：数据加载 → 特征筛选（四大算子）→ 多方案对比 → 最优方案训练 → 三段式评估 → 稳定性分析 → 报告生成

参数

通用参数 spec 定义在 _vendor/xgb_cli.py（domain=modeling）。

复杂嵌套参数（如 feature_sets）不要用命令行拼转义 JSON，改走 --config config.json 结构化通道。

---

执行方式

python scripts/modeling.py \
  --data_path ./examples/toy.parquet \
  --target y_label \
  --time_col busi_dt \
  --output_dir ./outputs/run1

复杂 feature_sets 通过 --config 传入：

python scripts/modeling.py \
  --data_path ./examples/toy.parquet \
  --target y_label \
  --config ./config.json \
  --output_dir ./outputs/run1

执行结束后 / 下生成：

• xgb_modeling_report.md — 建模报告（数据概览、方案对比、最优方案、稳定性分析…）
• models/.json — XGBoost 模型文件
• models/_meta.json — 模型元数据（特征列表等）
• models/_card.json — ModelCard
• result.json — 结构化产物清单（见 PROTOCOL.md）

stdout 末行打印 result.json 绝对路径，Agent 读这个文件即可获取全部产物路径与 metrics。

产物示例（result.json）

{
  "skill": "xgb-modeling",
  "status": "success",
  "files": [
    {"path": ".../xgb_modeling_report.md", "role": "report"},
    {"path": ".../models/xgb_model_20260512_143000.json", "role": "model",
     "meta": {"feature_count": 8, "scheme_name": "去共线性", "model_type": "xgboost"}},
    {"path": ".../models/xgb_model_20260512_143000_meta.json", "role": "meta"}
  ],
  "metrics": {
    "oot_auc": 0.7823, "oot_ks": 0.4215,
    "auc_gap": 0.0214, "ks_gap": 0.0312,
    "n_features": 8, "overall_score_psi": 0.0423
  },
  "summary": "xgb-modeling 完成：最优方案「去共线性」，OOT AUC=0.7823，OOT KS=0.4215，特征数=8，Gap=0.0214"
}

跨 skill 串联

下游（如 model-explanation）通过 --model_path 传入上游 result.json 中 role=model 的文件路径：

# 从上游 result.json 提取模型路径
MODEL_PATH=$(jq -r '.files[] | select(.role=="model") | .path' ./outputs/run1/result.json)

python ../model-explanation/scripts/explain.py --model_path "$MODEL_PATH" --data_path ./examples/toy.parquet

---

常用场景

场景一：自动特征筛选建模

不指定特征，自动执行四大算子生成四套方案对比：

python scripts/modeling.py --data_path ./examples/toy.parquet --target y_label

场景二：指定特征建模

使用指定的特征列表：

python scripts/modeling.py --data_path ./examples/toy.parquet --target y_label --features "feat1,feat2,feat3"

场景二-b：指定单套自动筛选方案

只跑一种筛选方案（如"去共线性"）：

python scripts/modeling.py --data_path ./examples/toy.parquet --target y_label --feature_scheme decorr

可选值：full(全量入模) / decorr(去共线性) / high_iv(高预测力) / stable(稳定性优先)

场景三：多方案对比

传入多套特征方案（优先用 --config，避免命令行拼 JSON 转义）：

{
  "feature_sets": {
    "方案A": ["f1", "f2"],
    "方案B": ["f1", "f3"]
  }
}

python scripts/modeling.py --data_path ./examples/toy.parquet --target y_label --config ./config.json

场景四：保存模型

训练完成后保存最优模型，供后续 model-explanation 使用：

python scripts/modeling.py --data_path ./examples/toy.parquet --target y_label --model_name my_best_model

模型自动保存，输出：

• 模型文件：/models/my_best_model.json
• 元数据文件：/models/my_best_model_meta.json（含特征列表、参数等）

---

报告结构

---

与其他建模 Skill 的对比

---

上下游关系

• 前置：data-profiling → feature-analysis（特征筛选）
• 后续：xgb-tuning（调参优化）、model-explanation（SHAP 解释）
• 平行：与 lr-modeling / dnn-modeling 可做横向对比（同数据不同算法）

---

依赖

见 requirements.txt（核心：xgboost, scikit-learn, optbinning）。

---

注意事项

1. 目标变量：必须为 0/1 二分类
2. 时间切分：建议按时间切分，确保 OOT 为未来数据
3. 自动特征筛选：需要数据同时满足 IV、PSI、缺失率条件
4. 样本策略：强不均衡场景（正样本率 < 2%）建议 --sample_strategy undersample，一般场景用默认 auto_weight
5. 不提供调参：需要调参请切 xgb-tuning（基于 Optuna TPE + 诊断驱动的约束搜索）
6. 模型保存：每次训练自动保存最优模型至 /models/，无需传 --save_model；可用 --model_name 自定义文件名
7. 稳定性分析：基准月份取自训练集时间段；Bootstrap CI 需样本量 >= 100 才计算
8. BCR/校准曲线：BCR（Bad Capture Rate）反映拒绝 Top K% 人群能捕获多少坏客户；校准曲线反映模型概率输出可信度

---

Module 7: XGBoost调参

XGBoost 参数调优 (portable)

XGBoost 调参的唯一入口，基于 _vendor/tuning_engine.TuningEngine。核心设计：

1. 基线参数智能推断 — 根据数据特征推荐合理起点
2. 模型状态诊断 — 过拟合/欠拟合判定（diagnose_model）
3. 约束式贝叶斯搜索 — 诊断结论定向收缩 Optuna 搜索空间
4. 用户知识融合 — 接受用户领域经验调整策略

---

调优流程

用户需求 → 数据特征分析 → LLM 推断基线参数 → 训练评估 → 诊断分析 → 参数调整 → 迭代直到满意
                                         ↑                                        ↓
                                         └───────────── 用户反馈/知识输入 ─────────────┘

---

执行模式

默认模式: 交互式（更安全，用户可控）

交互式模式行为规范

1. 单轮调优后必须暂停，输出结构化诊断报告，等待用户反馈
2. 用户可能的反馈：
   • "继续" / "再调一轮" → 执行下一轮
   • "Gap 还是大" / "再保守点" → 调整策略后执行
   • "可以了" / "停" → 生成最终报告
3. 禁止在交互式模式下连续执行多轮调优

AUTO 模式行为规范

1. 每轮调优后同样输出完整的结构化诊断报告（格式同交互式模式），然后自动进入下一轮
2. 收敛条件：Gap < 0.03 或 连续2轮提升 < 0.002
3. 收敛后自动生成最终报告

---

参数说明

通用参数 spec 定义在 _vendor/xgb_cli.py（domain=tuning）。

--params / --baseline 传复杂 JSON 时优先放 --config，避免命令行双引号转义问题。

---

基线参数智能推断

Agent 应根据 tuner.py 输出的数据摘要推断合理的基线参数，而非使用固定默认值。

数据摘要字段

tuner.py 会输出以下数据特征供 Agent 分析：

推断规则

样本量与树深度

正样本率与叶节点

特征数与采样率

推断示例

数据摘要:
  训练集: 150,000 样本
  OOT: 50,000 样本
  特征数: 35 个
  正样本率: 2.5%

Agent 推断基线参数:
  max_depth: 4        <- 样本量中等
  min_child_weight: 150  <- 正样本率低
  colsample_bytree: 0.8  <- 特征数中等
  reg_alpha: 0.3      <- 特征多，适当正则
  reg_lambda: 1.0
  learning_rate: 0.05
  n_estimators: 500
  subsample: 0.8

---

场景化策略

Agent 应根据用户提供的场景信息调整调参策略。

金融风控场景

特点: 模型长期使用，稳定性优先

调参优先级: Gap 控制 > KS 提升

终止条件: Gap < 0.02，即使 KS 略低也接受

营销响应场景

特点: 短期使用，效果优先

调参优先级: KS 提升 > Gap 控制

终止条件: KS 达标，Gap < 0.05 可接受

平衡场景（默认）

特点: 兼顾效果和稳定性

终止条件: KS >= 0.30 且 Gap < 0.03

---

执行方式

复杂参数（params/baseline）建议通过 --config JSON 文件传入：

# 自动调优（推荐：通过 config.json 传复杂参数）
python scripts/tuner.py \
  --data_path ./data.parquet --target y_label --features "f1,f2,f3" \
  --auto --max_rounds 5 --output_dir ./outputs/tuning \
  --config ./config.json

config.json 示例：

{
  "params": {"max_depth": 4, "learning_rate": 0.05, "n_estimators": 500},
  "baseline": {"max_depth": 4, "learning_rate": 0.1}
}

交互式模式（单轮调优）

python scripts/tuner.py \
  --data_path ./data.parquet --target y_label --features "f1,f2,f3" \
  --round 1 --output_dir ./outputs/tuning

AUTO 模式（自动调优循环）

python scripts/tuner.py \
  --data_path ./data.parquet --target y_label --features "f1,f2,f3" \
  --auto --max_rounds 5 --metric auc \
  --output_dir ./outputs/tuning

脚本通过单出口协议 [RESULT:{json}] 输出模型、报告、state 更新；LLM 不要复述脚本已产出的图表。

---

诊断知识库

模型状态诊断

过拟合信号

• Train AUC 持续上升，OOT AUC 下降或停滞
• Train-OOT Gap 逐轮增大
• 验证集效果不稳定

欠拟合信号

• Train AUC 和 OOT AUC 都较低
• 增加训练轮数后效果持续提升
• Gap 很小但整体 AUC 不足

---

XGBoost 参数语义

参数调整优先级

过拟合场景（按优先级）：

1. 增大 reg_alpha / reg_lambda（最直接）
2. 减小 max_depth（控制复杂度）
3. 增大 min_child_weight（限制分裂）
4. 减小 subsample / colsample_bytree（增加随机性）

欠拟合场景（按优先级）：

1. 增大 max_depth（增加复杂度）
2. 增加 n_estimators（更多迭代）
3. 减小正则化参数
4. 适当增大 learning_rate

---

用户指令理解

---

调优策略

策略1：抗过拟合

适用条件：Gap > 0.05

调整方向：

• reg_alpha: 当前值 × 2（如 0.1 → 0.2）
• reg_lambda: 当前值 × 1.5
• max_depth: 当前值 - 1（最小为 2）
• min_child_weight: 当前值 × 1.5

策略2：增强拟合

适用条件：OOT AUC < 0.58 且 Gap < 0.03

调整方向：

• max_depth: 当前值 + 1（最大为 8）
• n_estimators: 当前值 × 1.5
• reg_alpha: 当前值 × 0.5
• learning_rate: 当前值 × 1.2

策略3：精细微调

适用条件：Gap ∈ [0.03, 0.05]，模型状态良好

调整方向：

• learning_rate: 小幅调整 ±20%
• subsample: 小幅调整 ±10%
• 其他参数保持不变

策略4：收敛判定

条件：连续2轮 OOT 指标提升 < 0.001

行为：停止调优，输出最终结果

策略 5：约束空间下的定向搜索

tuner.py 在 AUTO 模式下每轮调用 TuningEngine.run_round(diagnosis, tried_directions) 在诊断约束空间内跑 5 个 Optuna trial，直接取本轮最优参数进入下轮。tried_directions 会自动记录每轮参数增减方向及效果，若某个方向未改善，下一轮会自动冻结该维度。Agent 无需手动追踪，但在每轮报告中应说明"本轮诊断为 XX → 搜索空间重点是 XX"，帮助用户理解调优推演。

---

输出格式规范

核心原则：每轮必须完整输出 禁止只输出最终调参报告。每一轮调参完成后，不论交互式还是 AUTO 模式，必须立即输出该轮的完整诊断分析过程和结果，包括：参数变化及调整理由、训练指标详情、与上一轮的对比、诊断结论、下一步建议。用户需要看到每一轮的诊断推理过程，而非仅看到最终参数。

单轮调优输出（每轮必须使用，交互式和 AUTO 模式均适用）

每轮调优结束后，必须输出以下结构化信息：

### 第 N 轮调优结果

**参数变化**:
| 参数 | 上一轮 | 本轮 | 调整原因 |
|------|-------|------|----------|
| max_depth | 4 | 3 | 降低过拟合 |
| reg_alpha | 0.1 | 0.3 | 增强正则化 |

**效果对比**:
| 指标 | 上一轮 | 本轮 | 变化 |
|------|-------|------|------|
| OOT KS | 0.17 | 0.18 | +0.01 ✓ |
| OOT AUC | 0.72 | 0.73 | +0.01 ✓ |
| Gap (KS) | 0.06 | 0.04 | -0.02 ✓ |

**诊断结论**: 轻微过拟合（Gap 下降但仍 > 0.03）

**下一步建议**: 可继续微调正则化，或接受当前结果

最终报告（调优结束时生成，不能替代逐轮输出）

当用户确认结束或 AUTO 模式收敛时，在逐轮输出完毕后，额外生成完整汇总报告：

注意：最终报告是对逐轮输出的汇总补充，不能替代逐轮输出。即使是 AUTO 模式，也必须先逐轮输出再汇总。

# XGBoost 调参报告

## 1. 调优概览

| 项目 | 内容 |
|------|------|
| 执行模式 | 交互式 / AUTO |
| 总轮数 | 3 |
| 收敛原因 | Gap < 0.03 达标 / 用户确认停止 |

## 2. 调参推演记录

| 轮次 | 参数 (depth/eta/reg) | OOT KS | OOT AUC | Gap (KS) | 诊断 | 调整决策 |
|------|---------------------|--------|---------|----------|------|----------|
| 基线 | 4 / 0.1 / 0.1 | 0.16 | 0.71 | 0.08 | 过拟合 | 降低 depth |
| R1 | 3 / 0.1 / 0.2 | 0.17 | 0.72 | 0.05 | 轻微过拟合 | 增强正则化 |
| R2 | 3 / 0.08 / 0.5 | 0.18 | 0.73 | 0.03 | 良好 | 收敛停止 |

## 3. 最终效果

| 指标 | 基线 | 最终 | 提升 |
|------|------|------|------|
| OOT KS | 0.16 | 0.18 | +0.02 |
| OOT AUC | 0.71 | 0.73 | +0.02 |
| Gap (KS) | 0.08 | 0.03 | -0.05 |

## 4. 最终参数

```json
{
  "max_depth": 3,
  "learning_rate": 0.08,
  "reg_alpha": 0.5,
  "reg_lambda": 1.0,
  "min_child_weight": 100,
  "subsample": 0.8,
  "colsample_bytree": 0.8,
  "n_estimators": 500
}

5. 调参结论

相比基线模型，最终模型：

• OOT KS 提升 0.02（0.16 → 0.18）
• OOT AUC 提升 0.02（0.71 → 0.73）
• Gap (KS) 降低 0.05（0.08 → 0.03）
• 稳定性显著改善，可安全部署

如需进一步探索，请给出您的调优建议。

---

## 与其他技能的关系

| 技能 | 职责 | 关系 |
|------|------|------|
| `xgb-modeling` | 基线建模 | 前置：需先用其训练出基线模型 |
| `model-explanation` | SHAP 解释 | 后续：调参完成后解释最优模型 |
| `model-comparison` | 多算法对比 | 平行：可与 LR/DNN 调参后做公平对比 |
| `auto-experiment` | 特征探索 | 区别：本 Skill 调参数，auto-experiment 探索特征 |

---

## 注意事项

1. **数据要求**：目标变量必须为 0/1 二分类
2. **特征要求**：需提供已筛选的特征列表（`--features` 必填）
3. **基线参数**：可传入自定义基线参数，否则使用默认值
4. **收敛判定**：连续2轮提升不足 0.001 自动停止
5. **最大轮数**：默认最多 5 轮，避免过度调优
6. **复杂 JSON**：`--params` / `--baseline` 等复杂 JSON 优先通过 `--config config.json` 传入
7. **产物位置**：模型和报告保存到 `/models/` 和 `/`


---

## Module 8: DNN深度学习建模

# DNN 深度学习建模 (portable)

基于 PyTorch 实现 MLP (Multi-Layer Perceptron) 进行二分类建模。

**核心流程**：特征标准化 → MLP 训练（BatchNorm + Dropout + Early Stopping） → 概率预测 → 三段式评估

**适用场景**：
- 高维特征交互建模
- 特征间存在复杂非线性关系
- 数据量充足（>10k 样本）
- 对模型性能有极致追求（可与 XGBoost 做 ensemble）

---

## 参数说明

| 参数 | 必选 | 默认值 | 说明 |
|------|:----:|--------|------|
| `--data_path` / `-d` | ✅ | - | 数据文件路径（parquet/csv） |
| `--target` / `-t` | ✅ | - | 目标变量列名（0/1 二分类） |
| `--time_col` | | `busi_dt` | 时间列名 |
| `--train_filter` | | 自动切分 | 训练集筛选条件（pandas query） |
| `--oot_filter` | | 按时间切出 | OOT 跨时间测试集条件 |
| `--oot_ratio` | | `0.20` | 未传 `--oot_filter` 时按时间切 OOT 的比例 |
| `--val_ratio` | | `0.25` | 从 train_full 切 val 的比例 |
| `--random_seed` | | `42` | 随机种子 |
| `--exclude_cols` | | - | 排除列，逗号分隔 |
| `--features` | | - | 指定特征列表，逗号分隔；不传则自动推断 |
| `--hidden_dims` | | `128,64,32` | 隐藏层维度，逗号分隔 |
| `--dropout` | | `0.3` | Dropout 比率 |
| `--learning_rate` | | `0.001` | 学习率 |
| `--batch_size` | | `512` | 批次大小 |
| `--epochs` | | `100` | 最大训练轮次 |
| `--patience` | | `10` | 早停耐心轮数 |
| `--weight_decay` | | `1e-4` | 权重衰减（L2 正则化） |
| `--pos_weight` | | `auto` | 正样本权重（auto=自动计算） |
| `--model_name` | | 自动生成 | 模型名称 |
| `--report_output` | | 自动生成 | 报告输出路径 |
| `--output_dir` | | `./outputs/` | 产物输出目录 |
| `--config` | | - | JSON 配置文件路径 |

---

## 执行方式

默认参数运行：

```bash
python scripts/modeling.py \
  --data_path ./data.parquet --target y_label \
  --time_col busi_dt \
  --exclude_cols "cust_code,busi_dt" \
  --output_dir ./outputs/dnn_run

自定义网络结构：

python scripts/modeling.py \
  --data_path ./data.parquet --target y_label \
  --hidden_dims "256,128,64" \
  --dropout 0.4 \
  --learning_rate 0.0005 \
  --epochs 200 \
  --output_dir ./outputs/dnn_run

---

常用场景

场景一：默认参数快速建模

python scripts/modeling.py --data_path ./data.parquet --target y_label --output_dir ./outputs/dnn_run

场景二：自定义网络结构

python scripts/modeling.py --data_path ./data.parquet --target y_label \
  --hidden_dims "256,128,64" --dropout 0.4 --learning_rate 0.0005 \
  --output_dir ./outputs/dnn_run

场景三：指定特征建模

python scripts/modeling.py --data_path ./data.parquet --target y_label \
  --features "feat1,feat2,feat3" --output_dir ./outputs/dnn_run

---

输出产物

1. 建模报告（Markdown）— 含数据切分、网络结构、训练曲线、三段式评估指标、稳定性分析
2. 模型文件（.pt）— PyTorch state_dict + 模型配置
3. 训练日志（JSON）— 每 epoch 的 loss/AUC/KS 记录
4. result.json — 结构化产物清单

---

与其他建模 Skill 的对比

---

上下游关系

• 前置：data-profiling → feature-analysis（特征筛选）
• 后续：dnn-tuning（调参优化）、model-comparison（多算法对比）
• 平行：与 xgb-modeling / lr-modeling 可做横向对比

---

注意事项

1. 数据要求：目标变量必须为 0/1 二分类
2. 数据量：建议训练样本 > 10k，DNN 在小样本上易过拟合
3. 缺失值：脚本自动使用中位数填充 + 添加缺失指示列
4. 标准化：自动对数值特征做 StandardScaler 标准化
5. 早停：当 val loss 连续 patience 轮不下降时自动停止
6. 不提供调参：需要调参请切 dnn-tuning（搜索网络架构 + 训练参数）
7. GPU：自动检测 CUDA，无 GPU 时回退到 CPU
8. 模型保存：模型文件保存到 /models/

---

Module 9: DNN调参

DNN 深度学习参数调优 (portable)

DNN 调参的唯一入口，基于 _vendor/tuning/dnn_engine.DNNTuningEngine。

核心设计：搜索期间缩减 epochs（加速），诊断驱动动态约束搜索空间。

---

调优流程

基线 DNN 模型 → 诊断分析(过拟合/欠拟合) → 约束空间构造 → Optuna 搜索(30 epochs) → 最优参数 → 迭代

---

执行模式

默认模式: 交互式（更安全，用户可控）

---

参数说明

---

搜索空间

---

诊断驱动策略

---

执行方式

交互式模式（单轮调优）

python scripts/tuner.py \
  --data_path ./data.parquet --target y_label \
  --round 1 --output_dir ./outputs/dnn_tuning

AUTO 模式（自动调优循环）

python scripts/tuner.py \
  --data_path ./data.parquet --target y_label \
  --auto --max_rounds 5 --output_dir ./outputs/dnn_tuning

---

调优策略

策略1：抗过拟合

适用条件：Train-Val Gap > 0.05

调整方向：

• dropout: 当前值 + 0.1（上限 0.5）
• weight_decay: 当前值 × 2
• n_layers: 当前值 - 1（最小为 2）
• layer_width: 当前值 - 32（最小为 32）

策略2：增强拟合

适用条件：Val AUC < 0.58 且 Gap < 0.03

调整方向：

• n_layers: 当前值 + 1（最大为 4）
• layer_width: 当前值 + 32（最大为 256）
• weight_decay: 当前值 × 0.5
• learning_rate: 当前值 × 1.2

策略3：精细微调

适用条件：Gap ∈ [0.03, 0.05]，模型状态良好

调整方向：

• learning_rate: 小幅调整 ±20%
• dropout: 小幅调整 ±0.05
• 其他参数保持不变

策略4：收敛判定

条件：连续2轮 Val 指标提升 < 0.001

行为：停止调优，输出最终结果

---

输出格式规范

与 xgb-tuning 保持一致的逐轮诊断报告格式。

每轮调优结束后，必须输出以下结构化信息：

### 第 N 轮 DNN 调优结果

**参数变化**:
| 参数 | 上一轮 | 本轮 | 调整原因 |
|------|-------|------|----------|
| n_layers | 3 | 3 | 不变 |
| layer_width | 128 | 96 | 降低过拟合 |
| dropout | 0.3 | 0.4 | 增强正则化 |

**效果对比**:
| 指标 | 上一轮 | 本轮 | 变化 |
|------|-------|------|------|
| Val AUC | 0.72 | 0.73 | +0.01 ✓ |
| OOT AUC | 0.70 | 0.71 | +0.01 ✓ |
| Gap | 0.06 | 0.04 | -0.02 ✓ |

**诊断结论**: 轻微过拟合（Gap 下降但仍 > 0.03）

**下一步建议**: 可继续微调 dropout，或接受当前结果

---

与其他技能的关系

---

注意事项

1. 数据要求