Regime · Volatility · Filter · Frequency · Memory · Decomposition
六个经典与现代量化模型，每一个产出一组互补的特征流，喂给 AlphaMind 预测引擎。 我们不是用深度学习取代统计学，而是把它们叠在一起。
市场是异质的——状态、波动率、微观结构噪声、频率，各自活在不同时间尺度上。 一个模型不可能同时把它们全看清。
6 个归纳偏置不重叠的独立模型，会产出严格更不相关的误差。 引擎拿到的是一个更丰富、去相关的特征空间。
每一个模块的输出都数学可追溯。当引擎的预测改变时， 我们能归因到具体哪一路特征流变了。
每个模型产出一组特征流，喂入 AlphaMind 预测引擎——它们共同构成引擎的输入 embedding。
基于状态空间的概率模型，从可观测的价格动力学中推断市场的潜在状态（牛/熊/震荡）。我们让每一次预测都以当前 regime 为条件——忽略 regime 的预测在数学上就是错的。
产出 regime 标签，引擎据此路由到对应的预测头。
一个长记忆的波动率预测模型，把日、周、月三个时间尺度的实现方差联合起来。它捕捉到一个 GARCH 单独捕捉不到的事实——今天的波动率受多个时间尺度上波动率的同时影响。
校准引擎的置信区间——预测带的宽窄随 HAR-RV 的波动率预测扩张/收窄。
一个最优递归滤波器，把噪声观测和潜在状态的动态模型融合在一起。我们用它从原始报价中提取不可观测的"真实价格"分量——把降噪后的信号交给引擎，而不是原始市场噪声。
在 tokenization 之前对 OHLCV 流做降噪预处理，输出干净的状态向量。
一个在时域和频域同时学习特征的神经网络架构，通过共享的自适应骨干完成两个域的特征提取。它能捕捉到纯时域模型系统性会漏掉的周期结构（日内季节性、交易时段效应等）。
提供频率敏感的特征 embedding，拼接到 token 流里。
从价格序列的 R/S 重标极差统计量估计的标度指数。H = 0.5 即随机游走；H > 0.5 即持续/趋势；H < 0.5 即均值回归。它告诉引擎该用哪种 prediction prior。
在引擎内部的"趋势跟随"和"均值回归"两个预测头之间做切换。
一种非递归的信号分解方法，把价格序列分解成一组围绕自适应估计的中心频率的带限振荡模态。我们对每个模态分别建模，再聚合——是一个 decomposition-then-forecast 的流水线。
多频段特征流——高/中/低频组件分别独立预测。