Qlib 量化选股面板

LSTM 是什么

LSTM（Long Short‑Term Memory，长短期记忆网络）是一种带显式记忆单元的循环神经网络（RNN）。相比普通 RNN，它通过门控控制信息的写入、遗忘与读出，在长序列上更能缓解梯度消失，适合把「过去一段时间的因子/行情特征」编码成向量，再用于预测下期收益、打分或排序。

下面是一张单步展开示意图（便于对照三个门在算什么；具体维度取决于你的特征维与隐藏维）。

三个门在直觉上做什么

门	作用（直觉）	对量化的含义
遗忘门	决定上一时刻细胞状态里哪些信息继续保留	市场格局切换时，模型可以「忘掉」过时的历史模式
输入门 + 候选记忆	把当前这一步的新证据写入细胞状态	新公布的因子/价量信息如何更新「长期记忆」
输出门	从细胞状态中抽取当前对外可用的隐表示	用于对接下游打分头（如对下期收益回归或排序损失）

在量化选股里怎么用

典型管线（与 Qlib 一类框架对齐的思路）：

建模要点（实践中常被问到）：

序列长度 L：越长不一定越好；金融序列非平稳，过长窗口会混入早已失效的机制，且算力与显存上升。
横截面 vs 单序列：选股一般是「多标的、多日期」，训练时需要规范的样本构造（避免泄漏标签、对齐交易日历）。
标签：常见是对齐后的下期超额收益、排序标签或多任务；需与训练窗口、验证切分一致。

与 GRU、Tree、Transformer 的粗略对比

维度	LSTM	备注
参数量	通常多于 GRU	表达能力更强，但也更易过拟合小数据
训练稳定性	依赖正则、早停、标准化	金融噪声大，验证集设计与时间切分很关键
可扩展性	时间步串行度高	CPU 上长序列、大批次会慢；GPU 更占优

更多对比见百科《GRU》《Transformer》《LightGBM》。

在 Qlib 中使用时的硬件与规模（经验区间）

以下按「单机、日线级因子、常见 Alpha 因子集」给出的量级感，实际占用随股票池大小、历史长度、seq_len、batch、hidden_size、是否 GPU 差一个数量级都正常。

环节	CPU / 内存大致感知	说明
数据准备	内存与磁盘 IO	全市场多年 Alpha158 加载进内存可能数 GB 级；可适当缩小 universe 或缩短区间
训练（CPU）	4 核可行但偏慢	适合小 universe、较短历史、`hidden_size` modest；建议减小 batch，开启混合精度若走 GPU
训练（GPU）	VRAM 为主要瓶颈	序列模型主要吃 batch×序列×宽度；8GB 以下 GPU 需保守设置
回测	多为 CPU + 内存	瓶颈常在模拟撮合/换手逻辑与存储，而非单次 forward

你当前环境：Ubuntu 4 核 / 8GB 内存

结论（优先级）：

日常实验与回测主线：优先《LightGBM》一类树模型 —— 同配置下更省内存、更快迭代，更适合在 8GB 上做特征筛选与基线。
仍想用 LSTM：可以，但建议 缩小股票池或缩短训练区间、减小 hidden_size / seq_len / batch，并严格用时间切分验证；能接受「单次训练较慢」再上线。
大规模全市场 + 长历史 + 大隐藏层：更像工作站或云上 GPU 的任务；8GB 内存机上容易 swap 抖动。

若面板侧对接 Qlib 的策略模板固定，可在不改代码的前提下，优先通过缩小数据_scope与降低模型宽度把路径跑通，再逐步加码。

小结

LSTM 通过遗忘 / 输入 / 输出门维护可跨多期传播的状态，适合序列化因子建模。
在量化里成败往往不在「是否 LSTM」，而在标签、泄漏、验证切分、股票池与正则。
4C8G：LSTM 可做小规模验证，但首推 LightGBM 作主力；要扩展规模优先考虑更多内存或 GPU。