阅读提示

这篇是 Dashboard 实操手册，带你走一遍”选择因子 → 修改参数 → 运行 → 查看结果 → 下载报告”的完整操作流程。如果你想跳过 Python API 直接用浏览器做研究，这篇是最佳起点。

导言

Dashboard 的价值在于让你在浏览器里完成所有操作——不需要写 Python 代码，只需要会填表单。不过，理解底层发生了什么，能让你在结果不对时更快找到问题。

完整操作流程

步骤 1：打开 Dashboard

1
http://127.0.0.1:5173

首页会显示因子列表（按家族分组）。

步骤 2：选择因子

左侧菜单有”截面因子”和”择时策略”两个入口。

进入”截面因子”，选择一个因子，比如 alpha101/ALPHA1。

每个因子卡片显示：

  • 因子名称和来源
  • meta.formula：公式或逻辑描述
  • meta.logic：因子设计思路

步骤 3：配置参数

点击因子卡片，进入参数配置页。

因子配置（factor_spec）：

参数 含义 调优建议
compute_kwargs 因子计算参数 因子的核心调参点
direction 因子方向 positive=越高越好，negative=越低越好
table_name 数据来源表 通常 daily_market
use_industry 是否做行业中性化 因子有行业偏好时开启
use_mktcap 是否做市值中性化 小市值效应明显时开启

运行配置（run）：

参数 含义 建议
start_date 回测开始日期 至少 3 年数据
end_date 回测结束日期 不要用最近 1 个月（数据可能不完整）
rebal_freq 调仓频率 D=日，W=周，M=月，Y=年
n_quantiles 分组数 选股用 10，检验用 5
initial_amount 初始资金 至少 100 万
benchmark_code 对比基准 如 000906.SH（中证800）
include_profiling 是否做因子画像 开启（有助于分析）

步骤 4：提交运行

点击”运行”，Dashboard 会：

  1. 把参数写入 outputs/runs/<run_id>/run_config.yaml
  2. 用该 YAML 构造 FactorSpec 和 run 参数
  3. 执行 FactorPipeline.run()
  4. 将结果写入 outputs/runs/<run_id>/

运行状态实时更新，完成后显示结果入口。

步骤 5：查看结果

Dashboard 结果页包含：

指标卡：

  • 累计收益率 / 年化收益率
  • 夏普比率 / 最大回撤
  • ICIR / 分组收益差距

图表：

  • 净值曲线（策略 vs 基准）
  • 回撤曲线
  • IC 时间序列（如果开启了 profiling）

表格：

  • 月度收益热力表
  • 最新持仓明细（Top 10）
  • 交易记录（最近 20 笔）

步骤 6：下载报告

Dashboard 提供以下下载入口：

下载类型 内容 用途
dump 完整回测数据（parquet） 二次分析
report Excel 绩效报告 存档/分享
html 交互 HTML 报告 浏览器打开
profiling 因子画像详情 质量评估 
1
2
3
# API 下载方式
curl -O http://127.0.0.1:8000/api/download/{run_id}/excel
curl -O http://127.0.0.1:8000/api/download/{run_id}/html

常见问题

1. 运行报错”因子脚本不存在”

原因：因子脚本的 YAML 路径不对，或者 compute_kwargs 的 key 和 factor_*.py 的参数名不匹配。检查 YAML 中 inputs 的 key 是否和 Python compute 函数参数名完全一致。

2. 结果页面空白

1
2
3
4
# 检查 API 是否正常返回
curl http://127.0.0.1:8000/api/result/{run_id}

# 检查后端日志里有没有 Python 异常

3. 下载的 Excel 打开是空的

可能是运行过程中出错，产物没有正常写入。看 outputs/runs/<run_id>/ 下有没有 report.xlsx，如果没有，看 logs/ 下的错误日志。

延伸阅读