估计器的约定
每个 scikit-learn 模型都遵守同一个约定，正因如此，模型才能互换、串联和调参。__init__ 只用相同的名字保存收到的参数，不做检查也不做计算：这样 get_params、set_params 和 clone 才能工作。fit(X, y) 从数据中学习，把学到的东西存进以下划线结尾的属性（coef_、intercept_、n_features_in_），并返回 self，以便链式调用。predict(X) 先调用 check_is_fitted（如果没运行过 fit 就抛出 NotFittedError），再用 check_array 验证 X，然后应用学到的东西。继承 BaseEstimator 获得参数管理，继承 RegressorMixin 免费获得 score 方法（把混入类放在前面）。
本实验的模型是岭回归。在中心化数据上它求解 (XᵀX+αI) w=Xᵀy，截距是 ȳ-x̄·w。α 越大，系数越被压向零，当特征是带噪声的滞后收益时这是个好习惯。因为你的类遵守约定，make_pipeline(StandardScaler(), ShrinkageRegressor())、cross_val_score 和 GridSearchCV 都能接受它，clone(model) 会给出一个全新的未拟合副本。最后一点对滚动评估很重要：在每个训练窗口上拟合克隆，而不是模型本身，否则一个折的信息会泄漏到下一个折。收益预测的得分是测试行上预测与结果的斯皮尔曼秩相关，即信息系数。
- 参数进，学到的属性出：
__init__负责存储，fit把学到的东西存入以下划线结尾的名字并返回self。 - 预测前先检查：
check_is_fitted和check_array给出管道和用户期望的标准错误。 - 拟合克隆：在滚动循环中，
clone(model).fit(...)保证各折相互独立。
实验：评分内容
- 滞后特征10 分
- 用正规方程求岭回归15 分
- 构造函数10 分
- 拟合与预测20 分
- 配合 Pipeline 和 GridSearchCV10 分
- 滚动秩相关15 分
- SPY 的过去能预测它的下一天吗？20 分