常见问题

安装、使用和故障排除的常见问题解答。

安装问题

Q: 支持哪些平台部署？

各平台部署方式：

  • Ubuntu：支持一键部署
  • Windows：推荐使用虚拟机或 WSL
  • Mac：支持 Docker 部署，需使用 amd64 兼容架构镜像

Q: Python 版本要求？

使用 Docker 一键部署 时无需在服务器手动安装 Python，依赖已包含在容器镜像内。若采用本地源码安装方式，需使用 Python 3.10（3.11/3.12 存在部分依赖兼容性问题）。

数据问题

Q: 如何获取历史数据？

推荐：管理后台初始化数据。部署完成后进入【管理后台】→【数据管理】点击【初始化数据】即可一键拉取全量历史行情与预计算因子（支持文件级断点续传，预计 1–3 小时）；也可登录后进入【个人中心】→【数据平台】填入 QuantDB API Key 一键绑定同步，或在服务器执行 docker exec quantmind python backend/scripts/quantdb_daily_sync.py 完成在线下载与每日增量更新。

备选：魔搭社区一键同步初始化数据（ModelScope 数据集，约 60GB / 7.4 万文件）：数据集 https://www.modelscope.cn/datasets/qusong0627/LightGBM_Alpha300。

Q: 数据更新频率？

  • 在线数据：QuantDB 每日增量同步，登录后自动更新
  • 离线数据包（魔搭 ModelScope）：魔搭社区一键同步初始化数据

Q: 支持哪些市场？

支持五大市场：

  • A 股：上海（SH）、深圳（SZ）、北京（BJ）
  • 港股（HK）
  • 美股（US）
  • 期货 / 贵金属（QuantFutures）
  • 区块链 / 加密货币（QuantBC）

注：各市场拥有独立数据目录（QuantDB / QuantHK / QuantUS / QuantFutures / QuantBC）与同步链路。

回测问题

Q: 如何自定义策略？

请参考 docs/QuantMind策略编写手册_v2.md 文档。

模型问题

Q: 如何选择模型？

建议：

  • 截面预测：LightGBM（速度快、效果好）
  • 时序建模：LSTM / GRU
  • 长序列：Transformer

Q: 模型训练需要多长时间？

训练时长不是固定值，而是由「模型类型 × 特征数量 × 训练时间窗 × 数据量 × 算力 × 高级选项」共同决定。下面给出 QuantMind 13 个内置模型的实测单模型耗时，以及一次训练任务的完整链路开销与加速建议。

一、一句话结论（实测口径）

  • GBDT 系列（LightGBM / XGBoost / CatBoost）：实测约 30 分钟起；
  • 深度学习系列（GRU / LSTM / ALSTM / Transformer / TabNet / TCN / NativeTFT / MLP）：实测约 2 小时（120 分钟）起；
  • 叠加 WFA 滚动诊断、Stacking 集成、Optuna 超参搜索后，总时长按倍数继续放大；
  • 训练任务不设固定超时上限，会持续运行至训练完成；深度学习建议使用 GPU 节点以缩短耗时。

二、13 个模型的实测耗时

下表为实测口径（3–5 年、全市场特征）：GBDT 系列均为半小时起，深度学习系列均为 2 小时起。具体随特征数量、训练时间窗、GPU 型号与数据量浮动。

类别 模型 算力 实测耗时 说明
线性 Ridge CPU 分钟级 闭式 / 迭代求解，sanity check 诊断基线，不用于实战
GBDT LightGBM CPU 约 30 分钟起 直方图算法，首个必跑基线，A 股选股 IC 最稳定
GBDT XGBoost CPU 约 30 分钟起 level-wise 分裂，与 LightGBM 异构互补，适合 Stacking
GBDT CatBoost CPU 约 30 分钟起 原生处理类别特征，行业特征场景优势最大
树模型 RandomForest CPU 分钟级–约半小时 Bagging 对照基线，判断非线性价值
DL MLP GPU 约 2 小时起 全连接，吃扁平特征；用于判断时序建模是否值得
DL TCN GPU 约 2 小时起 因果卷积替代 RNN，相对省时，适合频繁重训
DL GRU GPU 约 2 小时起 DL 里性价比最高，入门首选
DL LSTM GPU 约 2 小时起 比 GRU 更慢，A 股实测 IC 提升有限（<5%）
DL ALSTM GPU 约 2 小时起 注意力 LSTM，捕捉事件驱动行情，结果较不稳定
DL NativeTFT GPU 约 2 小时起 自研轻量 TFT，比 pytorch_forecasting 版轻约 10 倍
DL TabNet GPU 约 2 小时起 含预训练阶段
DL Transformer GPU 约 2 小时起 参数量大，需 ≥100 万行数据收敛，数据不足会欠拟合

三、一次训练任务的完整链路耗时

训练中心的一次任务不只是模型拟合，还包含数据准备、特征筛选与产物注册，端到端大致如下：

阶段 典型耗时 说明
数据准备与拉取 首次 5–30 分钟 从对象存储下载 parquet，视网络与数据量而定；命中本地缓存或挂载 CBS 缓存盘可跳过
特征筛选（可选） 约 1–5 分钟 IC / ICIR 阈值初筛 + 相关性去冗余，替代手工试错
模型训练 见上表 GBDT 系列半小时起，深度学习系列 2 小时起
WFA 滚动稳定性诊断（可选） 约 3–10 倍于单次训练 rolling / expanding 多窗分别训练与回测，仅支持 LightGBM / XGBoost / CatBoost / Ridge
Stacking 集成（可选） 约 N 倍 + 1 次元学习 时序 K-Fold OOF，N 个基模型各训一次，再用 Ridge 元学习器融合
SHAP 归因（可选） 约 1–3 分钟 默认采样 30000 行，可关闭以省时
产物导出与注册 约 1–2 分钟 模型同步到用户本地镜像并写入注册表，校验后置为 ready

四、影响时长的 7 个因素

  1. 模型类型：树 / 线性在 CPU 上分钟级，DL 需 GPU 且慢一个量级。
  2. 特征数量：系统特征池 169 个，推荐选 60–80 个；数量越多训练越慢、越易过拟合。
  3. 训练时间窗：推荐 3–5 年，窗口越长样本越多、越慢。
  4. 数据量 / 标签周期：T+5、T+10 等标签周期与样本行数直接决定训练耗时。
  5. 算力：本地 Docker 默认 CPU（会自动探测并挂载可用 GPU）；深度学习建议用 AutoDL GPU 节点。
  6. 数据缓存：命中 CBS 磁盘缓存可省去重复下载，显著缩短数据准备阶段。
  7. 高级选项：WFA、Stacking、Optuna、SHAP 会各自叠加额外时间。

五、算力与环境

  • 本地 Docker 训练：默认 CPU，启动时自动探测并挂载可用 GPU，容器内完成训练、SHAP 与产物导出。
  • 远程 AutoDL GPU 节点：需先在个人中心 / 后台配置节点；节点初始数据从魔搭 ModelScope 拉取（默认 3 个因子集全量）。
  • 运行时长：训练任务不设固定超时，会持续运行至训练完成，无需担心因时限被中断。
  • 训练 / 推理分工：训练用 GPU，推理用 CPU（单日小样本，CPU 足够且稳定）。

六、把训练跑快 / 少踩坑的建议

  • 先跑基线对照（GBDT 系列约 30 分钟起，Ridge / RandomForest 更快），再决定是否上 DL。
  • 特征选 60–80 个并开启「因子筛选」，不要一次性全上 169 个。
  • DL 一律用 GPU；数据量不足时优先 GRU / TCN，不要硬上 Transformer。
  • 开启早停：树模型默认 early_stopping_rounds=100，DL 默认 early_stop=20，避免无效轮次空跑。
  • 挂载 CBS 缓存盘，避免每次训练重复下载 parquet 数据。
  • WFA 与 Stacking 同时开启会成倍放大耗时，建议分步验证。
  • 深度学习数据量 < 50 万行时慎用 GRU（易过拟合），可先用 MLP 或树模型。

以上为实测口径，实际以训练中心任务详情页显示的进度与日志为准；数据量、特征数、算力（CPU / GPU 型号）差异会显著改变耗时。深度学习任务建议使用 GPU 节点。

Q: 如何评估模型效果？

主要指标：

  • IC：信息系数，衡量预测与实际收益的相关性
  • ICIR：IC 的稳定性，越高越好
  • Rank IC：排序相关性

获取帮助

如果以上 FAQ 未解决您的问题，欢迎加入 QuantMind QQ 交流群（群号 1097406397） 反馈与交流：

GitHub 仓库 · 群二维码