用途：使用 sklearn 机器学习模型（RandomForest / GradientBoosting / Ridge）预测未来收益方向并生成交易信号，适用于任意 OHLCV 数据。采用前向滚动（walk-forward）训练避免未来数据泄漏，并从 OHLCV 中提取特征因子。
主要能力：输入校验（检查 OHLCV 列、最小行数、NaN 比例，不合格标的跳过）；特征工程（动量、波动率、RSI、均线比、量比等，含 inf 清理与除零保护）；标签构建（未来 N 日收益 >0 为正类 1，<0 为负类 0）；前向滚动训练（扩展或滑动窗口，仅用历史数据，逐日滚动预测）；信号生成（predict_proba[:,1] 映射到 [-1.0,1.0]，或用 predict 的 {-1,0,1} 离散信号，输出无 NaN 并裁剪到区间）。
使用方式：核心为 SignalEngine.generate(data_map)，传入 code -> OHLCV DataFrame 字典，返回 code -> 信号 Series。关键参数包括 model_type（默认 random_forest）、min_train_size（252）、retrain_freq（20）、prediction_horizon（5）、n_estimators（100）、max_depth（5）、threshold（0.0）、window_type（expanding/sliding）、sliding_size（504）。依赖安装：pip install scikit-learn pandas numpy。
适用场景：中等数据量下默认首选随机森林；数据充足且有调参经验可用梯度提升；小数据集或快速基线可用岭回归/逻辑回归。
限制与注意：需自行判断过拟合（max_depth 建议 3~5、特征数 <15）、类别不平衡（可用 class_weight="balanced" 或 SMOTE）、非泄漏形式的未来函数（特征应仅用 T-1 及更早数据）。代码已处理数据泄漏、标准化泄漏、inf/NaN 传播与重训频率。具体收费、平台与效果资料暂未提供。