标签： #集成学习

单一模型永远有盲区——线性回归不懂非线性、核方法抓不住交互、周期项被当作噪声。Stacking 集成的妙处是用一个元学习器，把多个互补基学习器的预测「加权拼」成最终预测：谁准就听谁的。本文用纯 numpy 从零实现（含 proper Out-of-Fold 防泄漏），合成一支「线性+tanh非线性+交互+周期」混合结构的收益宇宙，训练四个各只看得见一块的专科专家，最终 Stacking 把测试集 IC 从单模型 0.10–0.40 拉到 0.61、多空收益差从 0.23–0.84 抬到 1.24，并诚实拆穿「基学习器同质化时集成几乎无效/元学习器小样本过拟合/权重天花板/OOF 不做必泄漏/线性读出下不赢线性基线」五类真实陷阱（中阶）。

集成模型平均不是玄学而是有解析保证：Var(S_M−μ*)=(σ²/M)·(1+(M−1)ρ)，只有模型误差独立(ρ小)才持续降噪。合成里单模型 IC 0.134、40 模型集成升到 0.229，Sharpe 从 1.60 拉到 3.12，附完整 Python 与六类真实陷阱（高阶）。