用途：用监督式机器学习分类器预测资产价格在前向周期内的涨跌方向，覆盖从标签生成、模型训练、前向验证（walk-forward validation）、特征重要性分析到阈值优化的完整流程。
主要能力：支持二分类（前向收益超过阈值记涨、低于负阈值记跌、中间区间丢弃）与多分类（强烈上涨、温和上涨、下跌）；采用 XGBoost / LightGBM 树模型，适合中小样本表格型交易特征；提供基于 isotonic 的概率校准、SHAP 全局与局部特征重要性、按盈利因子优化的概率阈值搜索，并关注特征重要性随时间漂移。前向验证按时间顺序切分训练与测试窗口并预留 embargo 间隔，避免前视偏差。
使用方式：资料给出必要的安装命令“uv pip install pandas numpy scikit-learn”，可选“uv pip install xgboost lightgbm shap”。可用 scripts/train_classifier.py 训练分类器并做前向验证与特征重要性，用 scripts/walk_forward_backtest.py 对 ML 信号与买入持有做前向回测。参考 references/model_guide.md 与 references/validation_methods.md。
适用场景与限制：面向加密等快速变化市场，建议使用较短训练窗口（如 30 天/720 根小时线）、频繁重训，并注意类别不平衡、交易成本（示例中约 50 bps 往返）与特征衰减。默认 0.5 阈值通常不优，资料指出加密信号常见最优阈值约 0.60–0.75。具体收益、平台支持、收费与实盘效果暂未提供。