一张图理清四个核心功能的分工协作，以及如何一步步走向实盘交易
一句话概括
回测是「考试」——拿历史题本模拟作答；看版是「成绩单」——把得分拆成各科细项；交易明细是「错题本」——每一笔买卖的记录；纸上交易是「模拟考」——只做不交卷，习惯真实答题节奏。四者串起来，最终是为了实盘——真正上考场。
一条线串起四个功能
假设你下载了 A 股过去五年的数据，选了一个模型（比如 LSTM），在面板上点了「运行策略」。
第一步：回测
「运行策略」页面启动的是一次完整的训练 + 回测流水线：
数据 → 特征工程 → 训练模型 → 生成预测信号 → 模拟组合 → 计算绩效
这个过程会生成两样东西：
- 一个训练好的模型（保存在 MLflow 里，可以反复使用）
- 一份回测报告（记录了如果按这个策略交易五年，结果会怎样）
第二步：看版（仪表盘）
回测跑完，Dashboard 自动加载最新结果，把密密麻麻的数字变成图表：
- 🟢 净值曲线 — 资产像过山车一样波动，最终是赚是亏？
- 🔴 回撤曲线 — 最惨的时候亏了多少？持续了多久？
- 📊 IC 序列 — 模型的预测到底准不准？还是纯粹瞎蒙？
- 📋 关键指标 — 夏普、卡玛、胜率……
看版不是实时数据，它是回测报告的一次「可视化总结」。你每跑一次回测，Dashboard 就刷新一次——如果你在 History 选中了某个历史模型，Dashboard 会展示那个模型的指标。
第三步：交易明细
「交易明细」Tab 回答的是回测中最细节的问题：
- 哪一天、买了哪只股票、多少钱？
- 每一笔交易是买入还是卖出？
- 买卖点踩得怎么样？
回测报告中只有「净值曲线」这种汇总数据，看不到具体买卖细节。交易明细把每一次组合调仓的流水拆开给你看，方便你判断："这个策略去年 3 月大跌时砍仓了没有？"
第四步：纸上交易
纸上交易是四者中最接近实盘的一步。它是这个流程：
加载之前训练好的模型
↓
用最新行情数据预测未来
↓
每天自动选股、调仓
↓
模拟买卖，计算盈亏
和回测的关键区别：
| 回测 | 纸上交易 | |
|---|---|---|
| 数据 | 历史数据（2019-2024） | 最新数据（含今天） |
| 目的 | 验证策略是否有效 | 验证策略现在是否还能赚钱 |
| 速度 | 几秒跑完五年 | 一天只跑一天 |
| 是否实盘 | 不 | 不，但最接近实盘 |
纸上交易是「影子账户」，它和实盘做一样的事情，只是不拿真钱交易。当你每天打开面板，看到纸上交易在赚钱，心里就有底了。
关键一环：因子
看不懂"因子"这两个字，就看不懂回测在干什么。
因子是什么？
因子就是模型的"输入特征"——一组能从原始行情数据中计算出来的、对预测股价可能有帮助的指标。比如：
| 因子名 | 通俗含义 | 有点像 |
|---|---|---|
KLEN | 过去 N 天的 K 线实体长度 | 分析走势的"体型" |
WVMA5 | 成交量加权移动平均 | "量价配合"的量化 |
ROC60 | 过去 60 天的变化率 | 动量的衡量 |
RSQR5 | 最近 N 天的拟合优度 | 趋势的"稳定程度" |
CORR5 | 价格-成交量相关系数 | 量价是否同步 |
模型（LSTM、LightGBM 等）就是拿这些因子当输入，学习它们和未来收益之间的关系。
当前系统的因子体系：Alpha158
面板默认用的是 Qlib 内置的 Alpha158——158 个 A 股技术因子，覆盖五大类别：
- K线形态（26 个）— 实体、影线、涨跌比例等
- 动量（30 个）— 不同时间窗口的价格变化率
- 波动率（28 个）— 标准差、真实波幅等
- 相关性（34 个）— 量价相关系数、不同周期相关系数
- 拟合优度（40 个）— 线性回归斜率、R² 等
这些因子全部由 Qlib 的 Alpha158 处理器从开盘价、收盘价、最高价、最低价、成交量、成交额、换手率这七个原始字段自动计算出来——你不需要手动计算或输入任何因子。
在「因子」Tab 可以浏览全部 158 个因子及其 IC 值，黄色标记的 20 个是当前实际被模型使用的。
为什么因子看起来是"固定的"？
目前面板不提供因子选择界面，原因有两条：
- 简化操作：Alpha158 已经是学术界和业界验证过的有效因子集，对新手来说，直接用它比手动挑选更容易起步。
- FilterCol 前置选择：真正喂给模型的不是全部 158 个因子，而是经过两轮筛选：
Alpha158（158 个原始因子）
↓ 第一关：FilterCol 硬编码选择
选出 20 个（如 KLEN、WVMA5、CORR5……）
↓ 第二关：RobustZScoreNorm 去极值 + 标准化
↓ 第三关：模型自动学习哪些因子更重要
这 20 个因子定义在 shared_config.py 的 FILTER_COL_FEATURES 中，是 CPU 环境和低配服务器上折衷考虑过计算效率和预测能力后选出的子集。
LightGBM 和因子的关系
LightGBM 是树模型，和神经网络在处理因子时有本质区别：
| 神经网络（LSTM/GRU） | 树模型（LightGBM） | |
|---|---|---|
| 特征数量 | 需要精挑细选，太多会稀释信号 | 天生能处理 大量特征 |
| 特征交互 | 自动学习时序依赖 | 自动做特征交叉选择 |
| 训练速度 | 慢，需要 GPU | 快，CPU 即可 |
| 因子重要性 | 难以解释 | 直接输出哪个因子贡献最大 |
关键点：LightGBM 理论上可以用全部 158 个因子，效果可能更好。当前系统出于统一配置的考虑，让所有模型共用同一组 20 个 FilterCol 特征。如果你对因子选择有更多了解，未来可以修改 FILTER_COL_FEATURES（shared_config.py）来增加或更换因子，或者针对 LightGBM 去掉 FilterCol 限制使用全量特征。
在「因子」Tab 中可以看到模型回测后各因子的 IC 值（信息系数），它告诉你每个因子对预测的正确方向贡献有多大。IC 为正且绝对值越大，说明这个因子越"靠谱"。
因子在整个流程中的位置
原始行情 → Alpha158 计算出 158 个因子
→ FilterCol 选出 20 个核心因子
→ 模型用这些因子学习预测
→ 产生预测分数 → 选股 → 回测
→ Dashboard 显示 IC 指标
→ 因子 Tab 浏览每个因子的 IC
因子质量直接决定模型上限——模型只是工具，好因子 + 普通模型 > 差因子 + 顶尖模型。这也是为什么建议先理解因子（看「因子」Tab 的 IC 排序），再调整策略。
从研究到实盘的完整路径
研究阶段
┌─────────────────┐
│ 跑回测 → 看版检查 │ ← 反复迭代：调参数、换模型、看结果
│ → 交易明细查细节 │
└─────────────────┘
↓
模型看起来不错？
↓
验证阶段
┌─────────────────┐
│ 启动纸上交易 │ ← 用真行情跑一段时间
│ 每天看纸上盈亏 │ ← 观察是否和回测预期一致
└─────────────────┘
↓
纸上交易持续稳定？
↓
实战阶段
┌─────────────────┐
│ 用真钱实盘交易 │ ← 这就是最终目标
│ 持续监控和调整 │
└─────────────────┘
几个常见误区
误区 1：回测好 = 实盘一定好
回测好只说明过去表现不错，未来可能完全不一样。市场风格会变——去年有效的因子，今年可能亏钱。纸上交易是弥补这个差距的最重要一步。
误区 2：跑了一次回测就够了
机器学习模型的「好」不是绝对的。同一个模型跑多次，由于随机初始化和训练过程的波动，结果可能差很多。好的做法是：
- 跑多次回测，挑出表现稳定、不是靠运气的模型
- 在 History 页面勾选对比指标，挑出综合表现最好的
- 选中那个模型，然后再做纸上交易
误区 3：纸上交易赚钱了就可以直接上实盘
纸上交易没有考虑冲击成本和成交限制。当你用真钱买入时，你的买单本身会推高股价；卖单会压低股价。资金量越大，这种影响越显著。纸上交易跑得不错的基础上，实盘建议先用小资金验证，逐步加码。
交易明细到底指哪里的？
这个面板里有两处「交易明细」：
| 位置 | 数据来源 | 看什么 |
|---|---|---|
| 看版下方 / Trades Tab | 最近一次回测的模拟交易 | 历史上模型在什么时间点买卖哪些股票 |
| 纸上交易页面 | 当前纸上交易的模拟交易 | 最近几天模型正在买卖哪些股票 |
前者看历史，后者看今天。
在「实战」场景下，交易明细的真正价值是：
- 回测的交易明细帮你理解策略行为
- 纸上交易的交易明细帮你验证策略是否按预期执行
总结一张表
| 功能 | 反问自己 | 下一步 |
|---|---|---|
| 回测 | 这个策略在历史上表现如何？ | 去 Dashboard 看详细指标 |
| 看版 | 各项指标能不能接受？ | 不满意 → 调整参数重跑；满意了 → 去 History 选中模型 |
| 交易明细 | 具体买卖点合理吗？ | 检查有没有异常交易；确认策略逻辑一致 |
| 纸上交易 | 现在跑起来还赚钱吗？ | 观察一段时间 → 准备小资金实盘 |
| 实盘 | 真金白银在操作了 | 持续监控、定期回顾、不断迭代 |
最终目标不是找到一个完美的万能策略，而是建立一套「研究 → 验证 → 执行 → 优化」的可持续流程。 这个面板的四个功能，每一步都对应这个流程中的一个环节。