AI让量化建模门槛降到0.1 – 小白实战记录

我需要做一个选股模型。首先，运用 180 天的沪深主板个股历史数据，按照网格交易逻辑，找到匹配次数最多的前 100 名股票然后运用上述我们讨论过的指标参数，进行拟合，形成一套适配这个网格交易规则的选股模型。请指引我，从 0 开始做这个模型，一步一步指引我的 agent 完成工作，你发消息给我，我转发给我的 ai agent，然后我会把他的回复发给你。

任务：实现特征计算函数（无未来信息版）在项目 src/features.py 中实现函数 calculate_features(df, window_end_idx=None)，要求：- df: 包含 'date','open','high','low','close','volume' 的 DataFrame（已按时间升序）- window_end_idx: 观察窗口结束的索引（整数），默认为 None，表示使用全部数据。  计算任何指标时，只能使用 df.iloc[:window_end_idx+1] 的数据，绝对禁止看到索引之后的价格。返回：  一个字典，包含以下 14 个特征（顺序固定）：   1. rolling_grid_ratio_20d      —— 最近20天收盘价在[1,11]内的天数占比 (%)   2. cross_freq_20d              —— 日均穿越网格线的次数 (%)   3. avg_daily_amp               —— 日均振幅 (high-low)/open*100 (%)   4. high_amp_days               —— 振幅>2%的天数占比 (%)   5. atr_pct                     —— 14日ATR / 最后收盘价 * 100   6. volatility_20d              —— 20日对数收益率的年化波动率 (%)   7. price_cv                    —— 价格变异系数 (标准差/均值*100)   8. bb_width                    —— 布林带宽度 (20日均线±2倍标准差宽度 / 20日均线 * 100)   9. volume_ratio                —— 近20日均量 / 近60日均量  10. obv_slope                   —— OBV在最近20日的线性回归斜率 (标准化)  11. amplitude_cv                —— 振幅变异系数 (振幅标准差/振幅均值)  12. price_entropy               —— 价格分布熵 (将收盘价分10个bin计算信息熵)  13. intraday_trend_strength     —— 日内趋势强度 (近20日 (close-open)/open 的均值绝对值)  14. amp_x_grid                  —— 交互特征: avg_daily_amp * rolling_grid_ratio_20d / 100详细计算要求：- rolling_grid_ratio_20d: 取最近 min(20, 可用天数) 天的 close，统计在[1,11]内的占比%。- cross_freq_20d: 统计最近 min(20, 可用天数)-1 个日间，每日高低价区间是否覆盖了任何一个网格档位(1~11)。  若前一天 high < G 且当天 high >= G，或前一天 low > G 且当天 low <= G，则认为当天穿越了该档位。  每天最多计为1次穿越（只要触发任一档位），然后计算“穿越天数 / 总日间数 * 100”。- atr_pct: tr = max(high-low, abs(high-prev_close), abs(low-prev_close))，取14日简单平均，再/最后收盘价*100，数据不足则用可用长度。- volatility_20d: 用对数收益 np.log(close/prev_close)，取20日标准差，年化 sqrt(252) * 100。- bb_width: 中轨 = 20日均线，上轨 = 中轨 + 2*20日标准差，下轨 = 中轨 - 2*20日标准差，宽度 = (上轨-下轨)/中轨*100。- obv_slope: OBV = 累积的 (当日收盘>昨收则+成交量，否则-成交量)。对最近20天OBV值进行线性回归，斜率 / (OBV均值或绝对均值)，防止数量级影响。- price_entropy: 取最近60天收盘价(不足则全部)，等分10个区间，计算分布的信息熵 (scipy.stats.entropy 或手动 -sum(p*log2(p)))。- intraday_trend_strength: 最近20天的 abs(close-open)/open 的均值。注意事项：- 如果数据不足（如总行数<20），部分指标可以返回0或基于实际长度计算，不要报错。- 所有百分比类特征，数值范围参考：0-100 或 0-1？统一标准化：**百分比值域用 0-100**（例如振幅3%存为3.0，比例50%存为50.0）。- 不要引入 sklearn、scipy 以外的非标准库（scipy 只用于熵计算，如果不想依赖 scipy，可以手动实现信息熵）。- 函数内可以写辅助函数。在文件末尾加入 if __name__ == '__main__': 自测，用阶段1的 test_df（需补充 volume 列）演示调用并打印返回字典。输出要求：- 只返回 features.py 的完整代码。