上一篇文章研报收藏吃灰？我用 AI 把一篇券商策略变成了可回测代码把广发金工《神经网络择时与截面叠加的 ETF 绝对收益策略》变成了本地可回测的代码，复现口径下今年以来收益 26.42%。到那一步，研报的承诺只兑现了一半：数字跑出来了，策略还躺在本地脚本里，离真正下单还隔着模型部署、平台上传、线上推理这一公里。这篇文章记录的就是这一公里怎么走完：从研报解析、模型训练、本地回测，到模型导出上传、PTrade 回测验证，最后停在实盘就绪的位置。全程重点讲清一件事——哪套数字能信，哪套数字只是机制验证。

一、全链路总览：六个阶段与一个双模式设计

整条链路分六段：研报解析生成策略骨架；历史数据训练模型并产出逐日信号；本地回测给出权威绩效；导出模型权重上传 PTrade；PTrade 回测验证平台机制；模拟盘过渡到实盘。

研报解析 ──→ AI提炼核心逻辑，生成本地策略骨架（PTrade语法）             产物：strategies/ptrade/ETF绝对收益V1_动量轮动AGRU择时.py   ↓模型训练 ──→ 历史数据 walk-forward 逐月重训，记录各折验证 IC/RMSE             产物：data/signals/nn_timing_signals.csv + models/*.npz   ↓本地回测 ──→ signal_mode='csv'，逐日无前视信号，权威绩效口径   ↓模型导出 ──→ export_agru_weights.py 导出最近一折权重+归一化统计量             上传 PTrade 研究环境 nn_timing/models/（一次性）   ↓PTrade回测 ─→ signal_mode='model'，线上自动推理，机制验证   ↓模拟盘/实盘 → 每月或周末重训，覆盖上传权重即可更新模型

支撑这条链路的是策略里的一个双模式开关 g.signal_mode：

• csv 模式：读取 walk-forward 逐月重训产出的逐日信号文件，预测 T 日只用 T-1 前的数据，无前视，本地权威回测用这个口径；
• model 模式：加载上传的模型权重，每个交易日开盘前线上自动推理，PTrade 回测和实盘统一用它，权重文件缺失时自动回退读 csv。

这样设计的出发点很简单：本地回测引擎（mtzQuant）能严格控制无前视，PTrade 平台的回测做不到同等口径，那就不要让一套数字勉强服务两个目的——权威绩效留在本地，线上只验证机制。

二、研报解析：AI 把券商框架变成策略骨架

把研报交给 AI，让它提炼五件事：核心逻辑是择时加截面叠加还是纯择时、因子定义、调仓频率、回测区间、关键参数。落到代码上，就是 strategies/ptrade/ETF 绝对收益 V1_动量轮动 AGRU 择时.py，骨架是 V28.3 固定池动量轮动前 10 等权，外面叠一层 AGRU 大盘择时三档仓位，文件头按固定纪律写清职责：

# coding:utf-8# @author      : 木头左# @create_time        : 2026/08/30 20:26:20# @update_time        : 2026/09/05 18:10:00# @description : ETF绝对收益V1：V28.3固定池动量轮动前10等权 + AGRU择时（PTrade 回测+实盘双模式）

择时的三档映射是整个策略的中枢，源码第 418 行：

def map_to_timing_pos(pred, lo=-0.0005, hi=0.0005):    """预测值 → 三档仓位（>hi 满仓1.0 / <lo 空仓0.0 / 其余 半仓0.5）。"""    if pred > hi:        return 1.0    if pred < lo:        return 0.0    return 0.5

其余关键设计有三处。档位变化当日立即调仓，档位不变时每 5 个交易日轮动刷新多头组；实盘用 run_interval 60 秒周期执行撤单、止损、卖出、买入，限价单按 ±2% 挂出，覆盖平台价格笼子；候选池做成交额过滤，剔除近 20 日日均成交额不足 100 万的标的。

三、模型训练：walk-forward 把无前视写进流程

训练脚本 train_agru_timing.py 以沪深 300（000300.SH）为基准序列，构造过去 20 日乘 7 个特征（日收益、5/10/20 日偏离度、5 日波动率、量比、成交额比值），模型是 GRU 加加法注意力再加全连接，PyTorch CPU 训练，seed 固定 42。

关键是训练方式：walk-forward 扩展窗，逐月重训，每一折只用截止 T-1 的样本预测 T 日，验证折记录 IC 和 RMSE。这样产出的逐日信号天然无前视，直接喂给 csv 模式。本轮全量训练的验证指标落在 data_end 2026-08-14 的模型快照里：val_ic 0.2709，val_rmse 0.0146，达到预设合格线（val_ic 大于 0.2、val_rmse 小于 0.02）。

信号映射与线上完全一致：预测次日收益超过 +0.0005（涨超 5bp）给 1.0 满仓，低于 -0.0005（跌超 5bp）给 0.0 空仓，其余落在 ±5bp 中性带里的给 0.5 半仓。这个死区是有意留的：对量级只有几个 bp 的预测值，中性带能避免档位在满仓与空仓之间被噪声来回切换。想严格对齐原文的中证全指（000985.CSI），加 --index 参数重训即可；只想冒烟验证链路，--quick 三轮训练出近 180 日信号，一分钟左右。

四、本地回测：140.61% 背后的权威口径

本地用 mtzQuant 跑权威回测，之前写过PTrade 回测一轮十几分钟？我用 AI 加本地回测把迭代速度提了一个量级，工具链不再展开。任务配置里两处口径值得注意：费率双边千一，撮合按 T 日决策、T+1 开盘成交；本地权威回测把 signal_mode 手动切到 csv。本机 akshare 网络不通时加 --check-only 跳过缺失段自动下载，避免长时间卡住。

回测会话 2026-08-30 跑完，净值曲线横跨约 2023 年中至 2026 年 8 月：

核对绩效之外更要核对过程：日志里择时档位序列与多头组买卖是否符合预期，订单、成交、持仓、净值是否自洽。这一套数字是全链路里唯一无前视的绩效，后面所有对比都以它为锚。

五、模型导出与上传：纯 numpy 推理的最后一公里

PTrade 环境没有 PyTorch，模型上线前要先做一步转换。export_agru_weights.py 把最近一折的权重连同归一化统计量导出成两个文件：agru_timing_weights.npz 装全部权重，agru_timing_config.json 记录 seq_len=20、特征清单、阈值 ±0.0005、hidden_size=32 这些推理所需的元信息。PTrade 侧用纯 numpy 复现前向，与 PyTorch 逐参数验证误差小于 1e-8，线上推理不引入任何第三方依赖。

第一次在 PTrade 上跑回测，连续踩了两个坑。先是 initialize 直接报错，定位到平台不支持 log.warn，换成 log.info 解决；再跑，模型文件找不到，PTrade 的路径里既没有 nn_timing/models 也没有 models 目录。结论很直白：权重文件必须手动传到研究环境。

在研究环境建好 nn_timing/models 目录，把两个文件传上去：

策略文件本身默认就是 model 模式，上传后不用改，npz 在就自动走线上推理。整轮交付的内容用一张清单说清楚：

本地对应关系也交代一下：本地模型放在 strategies/ptrade/nn_timing/models/，通过符号链接 data/models/ 让 get_research_path() 的取文件逻辑两边一致。以后每月或周末重训完，重跑一次导出脚本、覆盖上传两个文件，模型就算更新了。

六、PTrade 回测：65.35% 是机制验证，不是可预期收益

先看线上推理的机制。每个交易日开盘前，策略加载 npz 推理当日信号。pred_ret 的量级通常只有几个 bp，比如 0.000436（预测次日涨 4.4bp），落在 ±5bp 中性带里，档位给 0.5 半仓；某天日志里出现 0.002912（29bp），明显越过上限，档位给 1.0 满仓。档位的作用方式是仓位缩放：单只目标市值等于总资产乘档位再除以持仓只数，起始资金 10 万、档位 1.0、持仓 10 只时单只恰好 1 万，与日志吻合；档位切到 0.5，总敞口立刻减半。

回测区间 2025-01-01 至 2026-09-04，起始资金 10 万，基准沪深 300，全程逐日推理、日志无一次失败。绩效面板逐项摊开：

几个数字值得单独说。Beta 只有 0.48：择时档位常年压不满十成，市场敞口平均只有一半左右，46.43% 的超额里择时贡献的成分看得见。平均持仓时长 10.33 天，与档位不变时每 5 个交易日轮动刷新多头组的节奏对得上。日胜率 51.11%、盈亏次数 207 比 187，胜率并不漂亮，收益靠的不是胜率。最大回撤 18.17%，三档仓位对下行段的保护在。

但这套数字的定位要说死：PTrade 回测里的模型是固定最近一折权重，训练样本包含了回测区间之后的数据，属于轻微前视，收益天然偏高。它证明的是模型加载、逐日推理、三档降档、动量轮动、撮合下单这条链路在平台上完整跑通，不构成对实盘收益的预期。

七、两套数字为什么不能直接比

本地 csv 口径（无前视，约 2023 年中至 2026 年 8 月）：总收益 140.61%，年化 29.11%，夏普 1.22，最大回撤 17.60%。PTrade model 口径（含轻微前视，2025-01-01 至 2026-09-04）：策略收益 65.35%，年化 36.19%，夏普 1.46，最大回撤 18.17%。

两组数字之间隔着四个变量：回测区间不同，前视口径不同，费率不同（本地双边千一，PTrade 平台默认万八双向，实盘另加印花税），撮合不同（本地 T+1 开盘成交，PTrade 回测的日线决策点在 14:50，实盘限价 ±2%、60 秒周期执行）。变量叠在一起，两组数字没有可比性，硬比只会得出错误结论。策略真实成色以本地 csv 无前视口径为准，原文复现时今年以来 26.42% 是更诚实的参照。

到这里，从研报到实盘的六段路走完了五段半。剩下的是把策略挂上模拟盘验证一段时间，再开实盘任务，日常运维浓缩成一句话：每月或周末重训模型，重跑导出脚本，覆盖上传两个文件。最后一公里走完的方式，不是把回测数字原样搬上线，而是把无前视的口径留在本地，把推理搬上线。

PS: 源码下载，请移步知识星球！

星球中整理了文章中涉及到的源码，加入后即可以看到之前发的源码，三天内不满意可以退款。也会将收集到的机构研报，优秀策略源码，群友常咨询的问题整理到不同标签下，做为知识库沉淀下来。

所有策略仅用于学习和研究，不保证交易收益，不作为投资建议，风险自负，所有收益仅表示历史回测收益，不表示未来收益。大QMT和ptrade请充分使用模拟盘测试，miniQMT使用模拟账号测试。