建议学法:先读一遍,再打开系统做一遍,最后完成章末练习。所有动画都可暂停;你的系统偏好为“减少动态效果”时,不会自动播放。
LESSON 01 / 五分钟上手
先让系统跑起来,再理解每个零件
这套程序已经包含国内 A 股行情、10 个传统策略、1 个 NumPy 神经网络策略、独立 Qlib DNN 实验、组合回测和本手册。原有 MLP 只依赖 NumPy 与 pandas;Qlib 实验额外需要 PyTorch,但默认使用 CPU,不需要显卡。
第一次启动
- 1在项目目录打开终端
安装项目依赖。只需在环境变化时重新执行。
.venv\Scripts\python.exe -m pip install -r requirements.txt - 2启动本地服务
保持终端运行;不要关闭后才打开页面。
npm run dev - 3打开交易助理
进入“组合回测”,输入
600519或其他沪深北 A 股代码。行情优先来自东方财富,失败时按系统配置使用腾讯或缓存。
这里是研究和教学系统,没有连接券商下单。本地“电脑操作”也有白名单与逐次确认;学习手册不会触发桌面动作。
第一次回测,只做一个对照
| 你的动作 | 你会看到 | 要回答的问题 |
|---|---|---|
| 只勾选“神经网络 · MLP” | MLP、组合与买入持有曲线 | 模型空仓多久?何时入场? |
| 再勾选“双均线趋势” | 两个单策略与二者等权组合 | 组合是否降低了回撤? |
| 比较收益与风险表 | 收益、回撤、夏普、入场次数 | 高收益是否伴随更大波动? |
当前“组合”是所选策略日收益的每日等权平均,不是把资金一次性分成固定份额后长期不再调整。
LESSON 02 / 系统地图
七个词,分清整条链
新手最容易把“因子、模型、信号、仓位”混成一个词。其实它们像厨房里的食材、菜谱、做菜决定和最终上桌份量,各自承担不同工作。
- 行情
- 原始的开盘价、最高价、最低价、收盘价、成交量。它是证据,不是结论。
- 特征 / 因子
- 从行情计算出的输入,例如 5 日动量。学术与业界常称因子;送入神经网络时也叫特征。
- 标签
- 训练时的标准答案。本系统样本
t的标签是:下一交易日收盘是否高于当天。 - 模型
- 学习“特征到标签”关系的函数。本系统用一个小型 MLP 输出上涨概率。
- 信号
- 把概率翻译成动作门槛:达到 0.55 才考虑入场,低于 0.50 退出。
- 仓位
- 实际持有多少。本基线只有 0(空仓)和 1(满仓),并加 SMA200 趋势过滤。
- 回测
- 把历史仓位逐日接到收益上,延迟一日、扣成本,再统计曲线和风险。
神经网络没有替代整条链。它主要替代“人工写死特征如何组合”的那一段。数据清洗、组合、成本、执行和风控依然在外部。
LESSON 03 / 动画流水线
让一笔数据走完整条生产线
点击播放,或用上一步、下一步慢慢观察。高亮节点是当前工序,下方文字说明这一工序真正接收什么、产出什么。
- 01行情
- 02特征
- 03标签
- 04训练
- 05概率
- 06仓位
- 07回测
步骤 1 / 7
行情
只读取当前及过去的 OHLCV,不把未来价格放到今天的输入里。
真正的模型并不是每天从零训练:本系统每 21 个交易日重训一次,期间沿用最近一次模型,减少计算量并保持历史信号可复现。
LESSON 04 / 时间边界
回测最重要的不是 AI,而是不偷看答案
假设你在 t 日收盘后做预测。当天收盘价已经公布,所以样本 t-1 的“下一日方向”标签也已经揭晓,可以用于训练;样本 t 的标签要等 t+1 收盘才知道,绝不能用。
正确:训练样本严格早于预测日
训练索引 < t。最后一个训练样本是 t−1,它的标签只用到刚收盘的 t 日价格,因此可见。
本系统怎样守住边界
- 预测日
t的训练切片只取索引< t的样本。 - 标准化均值和标准差只从本次训练窗口计算,不用全样本。
- 信号在
t收盘产生,回测器在t+1才持仓。 - 自动测试比较完整数据与删除未来行后的历史结果,共同区间必须完全一致。
LESSON 05 / 神经网络解剖
6 个输入,8 个隐藏神经元,1 个概率
MLP(多层感知机)可以理解成两层可学习的加权组合。第一层把 6 个特征非线性组合成 8 个内部表示;第二层把这些表示合成一个 0 到 1 的上涨概率。
这里的 MLP 由 NumPy、pandas 和项目现有 Python 代码实现,便于逐行学习。下一章的 Qlib 实验区则使用微软开源的 Alpha158、DNNModelPytorch 和原生订单回测。二者互不替换,也不会因为模型更复杂就自动获得更高收益。
六个特征到底在看什么
| 特征 | 计算窗口 | 通俗含义 |
|---|---|---|
| 一日收益率 | 1 日 | 今天相对昨天涨跌多少 |
| 短期动量 | 5 日 | 最近一周价格方向 |
| 月度动量 | 21 日 | 最近约一个月价格方向 |
| 收益波动率 | 20 日 | 近期日收益是否剧烈抖动 |
| SMA50 偏离 | 50 日 | 价格相对中期均线的位置 |
| 相对量能 | 20 日均量 | 今天成交量相对近期是否放大 |
固定参数,不靠反复试出“最好看”的历史
预热期保持空仓。标签是下一日方向,但模型输出最终被用于下一交易日持仓,交易成本仍由统一回测器扣除。
LESSON 06 / 回测实验课
不要问“AI 牛不牛”,先做三组对照
每次实验保持股票、初始资金、成本和数据区间不变,只改变策略选择。这样曲线差异才有可比性。
- 实验 A:只选
mlp,运行并记录结果。 - 实验 B:只选
sma(双均线趋势),运行并记录结果。 - 实验 C:同时选
mlp + sma,观察等权组合与两条单策略曲线。 - 实验 D:读取买入持有基准,不把它误认为“无风险标准答案”。
| 实验 | 累计收益 | 最大回撤 | 夏普 | 入场次数 |
|---|---|---|---|---|
| A · MLP | 运行后填写 | 运行后填写 | 运行后填写 | 运行后填写 |
| B · 双均线 | 运行后填写 | 运行后填写 | 运行后填写 | |
| C · 等权组合 | 运行后填写 | 运行后填写 | 运行后填写 | |
| D · 买入持有 | 运行后填写 | 运行后填写 | 运行后填写 |
四个指标分别回答什么
- 累计收益
- 整个样本最终赚亏多少。它不告诉你中间经历了什么。
- 最大回撤
- 资金曲线从历史高点到随后低点的最大跌幅。它回答“最难熬时有多痛”。
- 夏普比率
- 单位波动对应的平均日收益,再年化。不同策略要在同口径下比较。
- 入场次数
- 仓位从 0 变为 1 的次数。次数多不代表更好,还可能意味着成本更敏感。
net_return = held × asset_return − |Δheld| × cost
为什么高准确率不等于高盈利?方向猜对很多次,也可能每次只赚一点,少数几次错误却亏很多。还要看盈亏幅度、持仓时间、成本与风险,而不是只看分类准确率。
LESSON 07 / 微软 QLIB 实操
同一行情,换一套真正的研究流水线
Qlib 是微软开源的 AI 量化研究平台。本系统把国内 A 股日线转换为它的本地二进制数据,再使用官方 Alpha158 特征处理器、DNNModelPytorch 模型和原生订单回测。它不是幻方等机构的私有策略复制品,而是一套可核验的研究工具。
| 对照项 | 现有 NumPy MLP | Microsoft Qlib 实验 |
|---|---|---|
| 输入 | 6 个手写量价特征 | Alpha158 生成量价特征,去除 VWAP0 后为 157 维 |
| 网络 | 6 → 8 → 1,输出下一日上涨概率 | 157 → 32 → 16 → 1,回归预测未来收益 |
| 训练 | 每 21 日滚动重训,使用最近窗口 | 前 60% 训练、20% 验证,最多 200 steps,固定种子 42 |
| 信号 | 0.55 入场、0.50 退出,另有 SMA200 过滤 | 测试段预测值大于 0 时目标满仓,否则空仓 |
| 回测 | 项目统一回测器,收盘信号延迟一日持仓 | Qlib 原生订单与账户日报;组合按每日净收益等权 |
两个引擎的模型、信号和成交规则不同,所以“同一测试区间”不等于“完全相同的交易规则”。页面会披露这些差异,避免把不同的实验条件混为一谈。
为什么训练、验证、测试必须按时间分开
训练集负责调整网络权重;验证集负责早停和挑选训练过程中的模型;测试集只用于最后评价。点击下面三个阶段,观察每段数据允许做什么。
01 / TRAIN
训练:只看最早的 60%
DNN 的 Adam 优化器只在这里更新权重。若把最后 20% 拿来训练,后面的曲线就不再是样本外结果。
亲手跑一次 Qlib 实验
- 1确认本机引擎状态
打开交易助理的“Qlib 实验”,状态行会显示真实的 Qlib、PyTorch 版本和 CPU 设备。至少需要 600 根日线,不调用 Yahoo 示例行情。
- 2输入代码并运行
例如
600519,初始资金与单边成本先保留默认值。训练需要一些时间,不要重复点击;失败时会显示真实错误,不生成假曲线。 - 3只比较测试段
页面给出 Qlib DNN、现有 MLP、双均线、Qlib+MLP 每日等权组合、买入持有五条曲线。拖动时间轴或播放,逐日查看它们如何分叉。
- 4解释风险,不只抄收益
记录期末资金、累计收益、最大回撤、夏普和调仓计数。组合曲线每天恢复等权,不代表真实账户能无成本地同步调仓。
IC 衡量同一交易日一组成股票的预测排序与真实收益排序之间的关系。单股票每天只有一个截面样本,无法计算有意义的横截面相关或排序。强行显示一个数字会误导你。后续扩展为每日多股票数据后,才适合加入这项指标。
读懂 Alpha158 的标签与数据假设
本实验沿用 Alpha158 的默认未来收益标签:Ref($close, -2) / Ref($close, -1) - 1。它表示从下一交易日收盘到再下一交易日收盘的收益,不是本系统 NumPy MLP 的下一日方向标签。两个模型不能用标签名称相同来假设。
- 国内接口取得的前复权 OHLCV 会写为 Qlib 的本地日频数据;不伪造全市场股票池。
- 本地源没有独立 VWAP,本实验以收盘价近似,factor 固定为 1,并删除 VWAP0 特征。
- Qlib 预测值进入原生仓位策略,最后按日报的
return − cost重建曲线。 - 单股票无法计算逐日截面 IC,因此验证指标改用张量 MSE,早停仍由验证损失决定。
- 未来日历只追加一个下一工作日作为最后一步的技术边界,不产生额外行情或收益,也不代表真实交易所日历。
- 这是固定的教学基线,不含基本面、行业中性、全市场横截面、完整涨跌停与成交量冲击模型。
LESSON 08 / 风险与误区
曲线越漂亮,越要先找漏洞
过拟合:把历史噪声背成了答案
不断试网络层数、阈值和股票,直到历史曲线最好看,往往是在 fit 这次样本。固定参数、保留真正样本外区间、跨股票与跨时期验证,比继续加层更重要。
交易成本与可成交性:信号不等于订单
当前成本是简化假设;涨跌停、停牌、滑点、成交量约束和实际委托队列并未完整建模。A 股 T+1 等制度也需要在更接近实盘的模拟中单独处理。
幸存者偏差:只看活下来的股票
如果全市场研究只使用今天仍上市的股票,就忽略了退市与历史成分变化。升级全市场时,要保留当时真实可交易的股票池。
市场状态变化:过去的关系可能失效
政策、流动性、波动和投资者结构会变化。模型需要按时间重新验证与监控,不能把一次回测当作永久规律。
数据源与缓存:可用不代表完美
国内接口失败时系统可能使用备用源或缓存。每次先看数据来源、日期和缓存状态,不要拿过期行情当作最新结论。
LESSON 09 / 向机构方法靠近
下一步不是堆大模型,而是换研究问题
当前 MLP 回答的是“这一只股票下一日是否上涨”。更接近机构量化研究的问题是:在同一交易日,全市场哪些股票未来一段时间更可能跑赢其他股票?这叫横截面收益预测与排序。
- 现在单股票 MLP 基线
掌握特征、标签、滚动训练和同口径回测。这就是本系统已经实现的版本。
- 下一步全市场横截面数据集
每行是“日期 × 股票”,加入行业、市值、量价与基本面;标签改为未来收益或相对基准收益。
- 然后排序与组合构建
按预测分数分组,控制行业、市值、单股权重、换手和交易成本,而不是只输出单股票 0/1。
- 再后样本外与仿真交易
滚动训练、验证、测试,加入涨跌停、停牌、滑点、成交约束与风险监控。
- 最后更复杂模型
只有当数据规模与问题需要时,再比较树模型、时序网络或 Transformer;每次都先证明它优于简单基线。
公开资料能告诉我们什么
幻方公开历程确认了深度学习仓位在 2016 年上线、2017 年底策略几乎全面 AI 化;Two Sigma 强调多源数据与科学研究;Gu、Kelly、Xiu 的学术比较显示树模型和神经网络能利用非线性交互,重要信号包括动量、流动性和波动率。这些资料不提供可直接复制的机构私有参数。
FINAL / 练习
三道题,检查你是否真的理解
随身术语表
| 术语 | 一句话解释 |
|---|---|
| MLP | 多层感知机,本系统的小型全连接神经网络 |
| Walk-forward | 沿着时间向前滚动训练和预测,不改写过去 |
| 标准化 | 用训练窗口的均值和标准差缩放特征 |
| SMA200 | 200 日简单移动平均线,本系统用作趋势过滤 |
| Epoch | 完整遍历一次本次训练数据 |
| L2 | 限制权重过大的正则化项 |
| 等权组合 | 每天对选中策略的日收益取算术平均 |
| 样本外 | 没有参与训练与调参的后续时间或股票数据 |
学到这里,你的目标不是“相信 AI”,而是能够独立解释:数据从哪来、模型见过什么、仓位何时生效、成本在哪里扣、结果还可能错在哪里。
带着这五道题,回到组合回测