通过多组二维特征数据联合构建生成三维交易场景模型，本质简单来说就是构建特征工程，二生三所构建的模型最终是需要应用在预测上，即模型输入参数为三维交易场景通过模型对之后的走势进行判定(三生万物)。

二生三部分很难在网站上可视化示例，之后如有时间精力，会在开源项目上开源几个基本模型的范例。

以下内容简述一些大体结构，推荐有一定知识贮备后阅读，下面尽量不失真简单通俗描述模型构建：

1. 股池中选定3000只股票，历史交易日选取600日，那么组合模型共生成：
            3000 X 600 = 1800000，即180万条x数据

每一条数据构成基础为某一个交易日某一只股票成功挖掘出的所有二维特征时序组合，通过特征添加不同设定进行二维特征之间的关联，通过数据训练分析可得出各种统计结论，举例如下：

等等......

2. 构建模型的时候有很多基础关联特性的添加普遍适用于大多数模型比如：

等等......

3.构建模型的时候有很多基础设定对应各种不同的模型：

等等......

4.构建模型的时候根据Y的不同偏好设定对应各种不同的模型：

等等......

5. 关于为什么不直接使用一维特征构建交易场景模型

本质上可以，但实际模型构建时由于特征过于离散，导致在模型进行聚合关联阶段整体模型构建混乱，且在构建逻辑上会存在很多问题，比如下跌5浪回调浪c点后对未来的期望是上涨还是下跌并不能明确，但二维特征就不再存在这个问题，但一维特征也有模型构建好的地方，主要是同源特征组成的时间序列模型，比如k线特征时间序列模型，

如上示例同源一维特征组成的时间序列模型只使用一维特征，但在很多方面有自己的优势，但是不同源的一维特征组合模型却会遇到很多冲突与融合障碍，篇幅有限不在此赘述，后期如有精力会在开源项目中添加基本模型范例只做示范分析。