S&P 500 深度學習模組
使用 5Y OHLCV 與候選特徵庫進行個股 Close→Close 方向預測。正式 Phase 6 使用已部署的 Active 決策層；Raw 預測與歷史驗證保持固定。候選層包含 Regime Router、Self-Evolution Direction Memory、新聞、SEC 8-K / 10-Q、基本面、成交量與大型權重股外溢特徵。候選只從啟用後的新 report 開始累積比較，不回寫舊歷史。
Phase 6 決策摘要
摘要：
載入 Phase 6 決策摘要...
顯示各 Phase 技術說明
▶Phase 2 解讀：資料品質與可預測性檢查
板塊報酬分布
解讀：用來判斷不同板塊的尾端風險與方向噪音。
資料覆蓋率
解讀：覆蓋率越高，Walk-forward 訓練與驗證越穩定。
報酬 ACF
解讀：檢查 Close→Close 方向是否有可利用的短期記憶。
波動叢聚
解讀：波動持續性是 regime router 與風險特徵的重要來源。
特徵相關矩陣
解讀：找出高度重複特徵，降低模型過度依賴單一訊號。