🌐 Live → johnny-xuan.github.io/M2-Alpha
M²-Alpha 是一个自研的 A 股深度学习量化模型，配套一套完全公开的执行规则 （strategy），并通过 GitHub Actions 实现每个交易日自动更新一次的 live OOS tracking pipeline。
模型 + 策略 + 数据 + 推理 + 部署，全链路开源；每过一个交易日，OOS 记录在
docs/data/data.json 的 git history 中新增一条。
| 组成部分 | 内容 |
|---|---|
| 模型 | 自研架构，数据预处理 / label / 网络 / 训练循环 / 超参完全独立开发；用 7 年 A 股数据训练；checkpoint 仅 2.4 MB，CPU 推理即可。 |
| 策略 | 6 条规则全公开（等权 top-10 / industry-diversified / open-to-open / 滞后带换仓，详见下表）。回测净值未扣手续费，实际跟单会低于此处展示。 |
| Live pipeline | GitHub Actions cron 每个交易日北京时间 20:00 自动触发：增量拉数据 → 重跑推理 → 重建 data.json → commit panel/preds + data.json → Pages 重新部署。 |
| 结果留痕 | 所有每日 signal 与 OOS 结果通过 data.json 的 git history 永久公开，可审计、不可篡改。 |
区别于一次性的静态回测项目，本项目核心理念是把训练好的 checkpoint 投放到持续 live tracking 中：静态 backtest 容易 overfit，连续 daily OOS 才是真正的考核 方式。
- 不是荐股 / 投顾 / 基金产品 / 收费服务
- 不是已发表论文（MASTER / HIST / IGMTF 等）的复现
- 不构成任何形式的投资建议、要约或诱导
| Metric | Model | CSI 300 |
|---|---|---|
| Cumulative return | +137.7% | +23.1% |
| Sharpe (annualized) | 3.12 | – |
| Max drawdown | −14.6% | – |
| Monthly excess win rate | 72.7% (8/11) | – |
| Daily hit rate (top-10 vs index) | 50.6% | – |
| Daily average excess | +0.33% | – |
回测净值按 open-to-open 计算，未扣手续费 / 印花税 / 滑点，实际跟单收益会低于此处展示。 实时数据 + 每日明细见 live 站点。
| Rule | Value |
|---|---|
| Universe | CSI 300 成分股（每次 BaoStock 刷新） |
| Selection | 按 score 降序遍历全部 300 只，受行业上限约束直到凑满 10 只 |
| Position count | 10 |
| Weighting | Equal-weight（≈ 10% / 只） |
| Industry cap | 同一申万行业 ≤ 2 只 |
| Sell rule | 持仓 score 掉出 top-50 才卖（lazy sell / 滞后带） |
| Execution | 次日 open price（开盘买开盘卖） |
| Commission | 未扣（回测净值为理论上限） |
| Initial NAV | 1,000,000 CNY |
Strategy ablation 测过 score-weighting / inverse-volatility weighting / stop-loss overlay，均未采纳。equal-weight + lazy sell 在多种 market regime 下表现最稳健。
每个交易日北京时间 20:00：
① GitHub Actions cron 触发
② fetch_data.py --incremental BaoStock 仅拉新增日子，append 到 panel.parquet
③ inference.py 在全期 panel 上重跑 m2alpha.pt，覆盖 preds.parquet
④ update_daily.py strategy.py 模拟全期 → 重建 docs/data/data.json
⑤ git commit panel/preds/data.json + push
⑥ GitHub Pages 自动重新部署
20:00 是为了等 BaoStock 当日数据全部就绪（17:30 后陆续刷出，留 2.5 小时缓冲）。 GitHub cron 不是严格准时，通常延迟 5–15 分钟。Daily pipeline 最常见的 breakage 来自 BaoStock 字段 schema 变更 —— 公开数据爬虫的本质风险。
首次部署 / 想换业绩起点 / 换模型权重时跑一次性回填：
python build/init.py # 等价于 fetch_data --start + inference + update_daily
git clone https://github.com/Johnny-xuan/M2-Alpha.git
cd M2-Alpha
pip install -r requirements.txt
# 仓库内已 commit panel/preds 缓存，直接看历史/继续 daily 用 --incremental
python build/fetch_data.py --incremental # 只拉新增日子，几秒
python build/inference.py # CPU 全量重跑，约 30 秒
python build/update_daily.py # 重建 docs/data/data.json
# 或一次性回填全部历史（换模型 / 换起点时用）
python build/init.py # 约 10 分钟
cd docs && python3 -m http.server 8765
open http://localhost:8765模型仅 ~600K 参数，CPU 推理 sub-second per day。Apple Silicon / x86 Linux / Windows 均可运行，不需要 GPU。
M2-Alpha/
├── docs/ GitHub Pages 站点
│ ├── index.html / styles.css
│ ├── js/ ES modules: navbar / hero / picks /
│ │ scorecard / equity-chart / monthly / holdings
│ └── data/data.json 每日自动更新
├── ml/
│ └── m2alpha.pt 训练完成的 checkpoint (~2.4 MB)
├── build/
│ ├── alpha_model/ 推理用的最小 Python 包
│ │ ├── model.py 架构定义 + load_alpha_model()
│ │ ├── features.py 35 个 basic features
│ │ └── normalize.py cross-sectional robust z-score
│ ├── fetch_data.py BaoStock → cache/*.parquet（支持 --incremental）
│ ├── inference.py checkpoint → preds.parquet
│ ├── strategy.py 行业分散 top-10 + 滞后带 simulator
│ ├── update_daily.py preds → docs/data/data.json（完全重建）
│ ├── init.py 一次性回填编排器
│ └── cache/ panel/preds/csi300/basic 状态文件（commit 进 git）
├── .github/workflows/
│ └── daily-update.yml cron 北京时间 20:00，周一至周五
├── requirements.txt
└── LICENSE
- Sample size 持续累积中：初始 OOS 段（2025-07 → 2026-05）约 11 个月， 之后每个交易日通过 live tracking 新增一个样本 —— 时间越久样本越具说服力， 当前结论仍为 suggestive 而非 conclusive。
- 单一市场：仅在 CSI 300 universe 上训练与验证，未做 cross-market generalization 测试。
- Slippage / market impact 仅做基础建模。真实 execution 会与回测存在系统性差异。
- Regime decay：所有训练得到的模型最终都会随 market structure 演变而衰减； 本模型也不例外。这也是项目坚持 live tracking 而非停留在静态回测的核心动机。
- 数据源风险：BaoStock 走自家协议，字段 schema 变更会直接中断 daily pipeline。
研究与工程项目。本 repo 与 live 站点 所有数据不构成投资建议、要约或诱导。过去的回测不预测未来收益。 据此进行的任何交易决策由使用者自行承担风险。
Apache License 2.0 — 允许商用 / 修改 / 分发；包含明确的专利授权条款。