MCTA Evaluation

计算公式：
个股收益率 = (下一个交易日收盘价 − 分析日收盘价) / 分析日收盘价 × 100%
桶平均收益率 = mean(桶内所有个股收益率)
桶胜率 = count(个股收益率 > 0) / 桶内总数 × 100%
数据来源：analysis 表评分 + kline_cache 表实际收盘价

计算公式：
每日 IC = Spearman 秩相关系数(各核评分, 次日收益率)
平均 IC = mean(所有交易日 IC)
ICIR (信息比) = 平均 IC / IC 标准差
IC 胜率 = count(IC > 0 的交易日) / 总交易日 × 100%
IC > 0 表示评分越高次日收益越好；ICIR > 2 表示预测能力稳定

计算公式：
个股 forward 日收益率 = (forward日后收盘价 − 分析日收盘价) / 分析日收盘价 × 100%
某操作建议的胜率 = count(该建议中收益率 > 0 的个股) / 该建议总个股数 × 100%
某操作建议的平均收益率 = mean(该建议中所有个股收益率)
forward 默认 5 个交易日；衡量"买入/卖出"等操作信号的预测准确度

计算公式：
每日选取评分最高的 Top N 只股票（默认 20 只）等权买入
个股次日收益 = (次日收盘价 − 当日收盘价) / 当日收盘价 × 100%
组合日收益 = mean(所有持仓个股的次日收益)
总收益率 = cumsum(每日组合收益)
夏普比率 = mean(日收益) / std(日收益) × √252
最大回撤 = max((净值峰值 − 净值谷值) / 净值峰值)
每日调仓，等权持有 1 天；夏普 > 1 为可接受，> 2 为优秀

计算公式：
漂移检测：评分单日变化超过 10 分的股票，检查变化方向是否正确
上调准确率 = count(评分上调且次日上涨) / count(评分上调) × 100%
下调准确率 = count(评分下调且次日下跌) / count(评分下调) × 100%
衡量评分变化是否具有预测方向性；准确率低说明评分被噪音主导

计算公式：
找出"评分高（买入信号）但次日下跌"的股票
对每只失败股，统计每个核评分与次日收益的 Spearman 相关性
相关性最低的核 = 最可能误判的核
用于定位哪个分析核的系统性偏差最大

计算公式：
蒙特卡洛搜索：5000 次随机权重组合 + 1000 次局部精搜
目标函数 = 最大化 Top N 回测的夏普比率
约束：每个核权重 ≥ 0.05，总和 = 1
如果新权重的夏普提升 > 5%，自动写入 weights.json
自优化开关需在 config.py 中启用