T:0000
對歷史資料訓練 XGBoost（GPU）迴歸模型。不槓桿時直接預測「未來 10 個交易日報酬率」；選 2x／3x 時， 訓練目標直接改成「套用該槓桿＋強制平倉模擬後的實際報酬」（而不是不槓桿模型訓練完再事後套用槓桿）， 模型會直接學到哪些技術形態在該槓桿下容易爆倉並主動避開。會嘗試 3 組不同窗格長度的特徵組合，各自用 walk-forward（每檔標的前 80% 訓練、後 20% 測試，不看未來資料）驗證，挑「held-out 測試期間 edge% （取預測報酬最高 pick_n 檔 vs 全體均值）」最高的一組，用全部資料重新訓練出最終模型並快取（各槓桿 倍數各自獨立快取，互不覆蓋）。訓練完成後會自動用新模型刷新一次「AI 分析」頁面對應槓桿的排名報告。 機器上有 GPU（RTX 3060）時建議勾選使用 GPU 加速；沒有 GPU 時取消勾選改用 CPU（較慢但仍可運作）。
| rk | 特徵窗格 | 停損點 | pick_ret% | all_ret% | edge% | dates | 爆倉機率 | train樣本 | test樣本 | 裝置 |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | rsi=21 macd=(19,39,9) bb=30 mom=(20,40) vol=40 ma=(40,120) high=120 | 不設停損 | +5.6768 | +2.1760 | +3.5009 best | 237 | 0.00% | 37075 | 9281 | GPU |
| 2 | rsi=9 macd=(8,17,9) bb=14 mom=(5,10) vol=10 ma=(10,30) high=30 | 不設停損 | +5.8820 | +2.6413 | +3.2406 | 253 | 0.00% | 39955 | 10001 | GPU |
| 3 | rsi=14 macd=(12,26,9) bb=20 mom=(10,20) vol=20 ma=(20,60) high=60 | 不設停損 | +5.5611 | +2.6189 | +2.9421 | 248 | 0.00% | 38995 | 9761 | GPU |
edge% = pick_ret% - all_ret%（held-out 測試期間，正值代表 AI 模型挑出的標的優於全體市場均值）。 walk-forward：每檔標的依時間切分前80%訓練/後20%測試，避免用到未來資料。取 edge% 最高的特徵組合， 用全部資料重新訓練出實際上線使用的最終模型（見「AI 分析」頁）。
pick_n：
最長執行時間： （僅供訊息顯示參考；實際只跑 3 組特徵組合，通常遠低於此時間）
近期訓練回測報告： 2026-08-22 03:09 · 2026-08-22 02:11 · 2026-08-19 22:49 · 2026-08-19 20:42
