中文社区定制发布稿

July 30, 2026 · View on GitHub

每篇保留两个清晰入口：GitHub 用于查看源码、Star、Fork 和 Issue，零账号 Colab 用于立即体验。发布前应再次检查对应社区的自荐规则，并在发布后回复技术问题。 不要在同一天把完全相同的正文群发到所有平台。

统一配图：assets/validation-cost-sensitivity.png。 图中横轴是交易成本而非时间，发布时不要称为净值曲线。

知乎

标题

我开源了一个 213 因子的 PyTorch 量化框架，并在沪深 300 上做了含交易成本验证

导语

量化回测里，最容易被忽略的不是模型，而是换手和成本。我把一个 213 因子的 PyTorch 多因子研究框架开源后，用 AkShare 当前沪深 300 数据做了一次 2021—2024 日频验证。结果里最值得看的不是缓冲组合 22.20% 的年化收益，而是 朴素因子组合从 31.57% 毛年化掉到 15.80% 净年化的过程。

正文使用 article_zh_213_factor_csi300.md 全文。结尾仅保留：

想检查工程是否能在你的环境跑通： 查看 GitHub 源码与完整文档

打开零账号 Colab，跑一遍并提交结果

掘金

标题

从 213 维 PyTorch 因子张量到含成本回测：一个可复现的 A 股研究工程

正文

这次分享重点不是策略收益，而是工程边界：

  • 使用 mask 表达停牌、涨跌停和缺失单元；
  • 将 213 个因子统一成 [日期, 股票, 因子] 张量；
  • 用同一份配置串起模型、组合和回测；
  • 自动生成 Markdown / JSON 报告；
  • 对 0、7、15、30 bps 做成本压力测试。

公开沪深 300 验证中，朴素日频因子组合毛年化为 31.57%，但 7 bps 下净年化只剩 15.80%。加入透明的持仓缓冲规则后，换手从 0.3627 降到 0.1397，净年化为 22.20%。这说明工程优化的重点不是继续堆网络，而是先让因子边际穿过组合和成本层。

项目同时保留了 IC 加权失败、部分优化组合落后基线，以及 MLP 路径尚未形成有效 组合等负面结果。

源码与完整文档： 访问 GitHub 仓库

想从可运行的代码路径而不是收益截图开始： 打开零账号 Colab，跑一遍并提交结果

V2EX

标题

[分享创造] 开源一个 PyTorch 多因子量化研究栈，求真实机器复现反馈

正文

做了一个研究用途的 ml-quant-trading，目前包含 213 个因子、mask-aware PyTorch 算子、A 股涨跌停/停牌处理、MLP/Transformer、Markowitz 和含成本回测。

最近补了 AkShare 当前沪深 300 的 2021—2024 公开验证。一个比较诚实的结果是： 朴素日频因子选择毛收益看起来不错，但 7 bps 成本下被高换手吃掉；加简单持仓 缓冲后才超过同区间等权。失败模型也保留在报告里。

我更想收集安装失败、CPU/GPU 时间和不同环境结果，不想讨论“能不能跟单”。

源码、文档与 Issue： 访问 GitHub 仓库

立即体验： 零账号 Colab，跑完可直接生成提交报告

聚宽

标题

公开一个 213 因子研究框架：沪深 300 日频验证中，换手如何吃掉毛因子收益

正文

这次验证用 AkShare 当前沪深 300 成分股、2021—2024 日线和完整 213 因子库。 重点比较同一因子分数在两种持仓规则下的结果：

规则7 bps 净年化Sharpe换手率
朴素日频选择15.80%0.7010.3627
缓冲日频选择22.20%0.9190.1397

朴素规则的毛年化其实达到 31.57%，但成本拖累为 49.16%。这说明讨论因子有效性时， 选股分数和持仓更新规则不能拆开看。

边界也很明确：使用当前成分股而非历史时点成分股；没有行业、规模、流动性和真实 执行元数据；结果不是论文精确复现。

源码、文档与完整验证报告： 访问 GitHub 仓库

如果愿意帮忙验证代码路径： 打开零账号 Colab，跑一遍并提交结果

米筐

标题

因子有毛收益之后：用换手缓冲让 213 因子组合通过成本压力测试

正文

我把多因子研究代码整理成了一个 PyTorch 工程，并重点测试组合层是否能保留 因子边际。当前沪深 300 日频公开数据上，朴素因子均值策略虽然有 31.57% 毛年化， 但高换手使 7 bps 下净年化降到 15.80%。

缓冲规则不改变每日评分，只放宽退出区间，减少刚跌出入选边界就被替换的交易。 同区间换手下降约 61%，7 bps 下净年化为 22.20%。在 15 和 30 bps 压力下结果 继续下降，因此报告展示的是成本压力曲线，而不是一条容易误解的净值营销图。

研究限制包括当前成分股偏差、公共数据修订以及缺少生产执行约束。

源码与完整文档： 访问 GitHub 仓库

欢迎复现后用自己的成本和股票池挑战结果： 打开零账号 Colab，跑一遍并提交结果