想快速看懂一个 PyTorch 量化模型的完整结构吗？ml-quant-trading-synthetic-mlp是一个极佳的入门样本：一个3层 MLP + GELU 激活 + Dropout 正则化的MLPRegressor模型 checkpoint，仅用 213 个因子值预测下一期收益率，全部文件公开可查。本文将逐项拆解 config.json 的每个字段，带你理解这个量化交易模型从架构、特征到训练配置的完整脉络。

这个仓库里有什么？

这是一个确定性的合成数据烟测（smoke-test）模型产物，目的是让安装与推理路径完全可复现，而非真实市场模型。仓库只有 7 个文件，各司其职：

📌 关键提醒：README 明确说明，该 checkpoint 只在确定性合成数据上训练，不是投资信号。

模型架构：3层 MLP + GELU + Dropout 是怎么搭的？

整个网络结构非常紧凑，由 config.json 一行行定义：

• 输入层：in_dim: 213，即 213 个因子值
• 隐层：hidden: 64，3 层全连接，每层 64 个神经元
• 激活函数：GELU（比 ReLU 更平滑，梯度更稳定）
• 正则化：dropout: 0.1，训练时随机丢弃 10% 神经元防过拟合
• 输出层：output_dim: 1，输出每个股票-日期一个合成下期收益得分

参数量只有约2 万出头（213×64 + 64×64 + 64×1 ≈ 1.5万带偏置），在笔记本 CPU 上端到端跑完不足 1 分钟，这就是"small 配置"的设计初衷。

config.json 逐项拆解

打开 config.json，只有 7 个字段，逐一解释：

💡 注意source_commit字段：这是可复现研究的关键实践——把权重、配置、源码版本三者绑定，任何人拿到同一 commit 都能复现同一模型。

213个输入特征从哪里来？

feature_names.json 是一个 213 项的字符串数组，定义了因子喂给模型的精确顺序——顺序错一个，模型输出就全错了。按前缀拆分，特征可归为 10 组：

其中cs_rank_close、cs_rank_amount这类命名很贴近真实量化场景：先对全市场股票做横截面排序（cross-section rank），再作为因子输入，可以避免量纲差异带来的偏差。

训练配置：source_config.yaml 关键参数

source_config.yaml 定义了合成数据生成与训练的全部设置，几个核心参数：

• seed: 42：固定随机种子，保证结果可复现
• synthetic.n_stocks: 200、n_dates: 500：200 只股票 × 500 个交易日
• annual_vol: 0.30、market_beta: 0.6：合成价格的波动率与 Beta
• train.epochs: 8、batch_size: 1024、lr: 1.0e-3：小模型短训练
• portfolio.solver: SCS、weight_cap: 0.05：回测阶段用 SCS 求解器组合优化，单票仓位上限 5%

如何加载这个模型？

安装官方包后（PyPI 上名为mlquantx），加载逻辑非常简单：

python -m pip install --upgrade mlquantx huggingface_hub

model = MLPRegressor(in_dim=213, hidden=64, dropout=0.1) model.load_state_dict(torch.load("pytorch_model.bin", map_location="cpu", weights_only=True)) model.eval()

更完整的加载代码见 README.md，它会通过hf_hub_download拉取 config.json 与 pytorch_model.bin 后再构建模型。

metrics.json 的回测指标在说什么？

metrics.json 记录了合成回测（costs_bps: 5.0，即 5 个基点交易成本）的结果：

⚠️ 这些数字是烟测指标，用来验证"因子 → 模型 → 回测"流程能跑通，绝非真实市场表现的证据。metrics.json 中的disclaimer字段也写明了这一点。

总结：新手能学到什么？

ml-quant-trading-synthetic-mlp虽然是个小模型，却是一份难得的"麻雀虽小五脏俱全"的完整模型交付样本：

1. 架构可读：3 层 MLP + GELU + Dropout，7 个字段讲清全部超参数
2. 顺序即契约：in_dim: 213与 feature_names.json 严格对应
3. 可复现三件套：固定seed: 42+source_commit+ SHA-256 校验（见 artifact_manifest.json）
4. 诚实的边界声明：README 与 metrics 都明确这是合成研究产物，不是实盘信号

如果你是第一次接触 PyTorch 量化模型，把它当作"解剖标本"逐项读一遍，就能建立对模型 checkpoint 交付结构的基本认知。