model.pt
model_config.json
feature_schema.json
normalization_stats.npz
universe.json
data_contract.json
metrics_summary.json
manifest.json
superpnl_full_feature_tcn_15m_top20_20260430.tar.gz

下游服务应读取根目录文件。.tar.gz 是同一模型包的压缩备份。

模型配置

text

model = full_feature_tcn
bar_size = 1m
lookback = 256
horizons = [5m, 15m]
recommended_horizon = 15m
recommended_horizon_index = 1
bar_dim = 6
feature_dim = 33
hidden_dim = 64

输入 shape：

text

bar:      [batch, 256, 6]
features: [batch, 256, 33]

输出：

text

pred_ret[:, 1]      -> pred_ret_15m
sigmoid(pos_logit[:, 1]) -> pos_score_15m
score_bps = pred_ret_15m * 10000

下载

CLI：

bash

hf download Shadowell/SuperPnL \
  --local-dir /opt/bitpro/artifacts/superpnl \
  --exclude "*.tar.gz"

Python：

python

from huggingface_hub import snapshot_download

model_dir = snapshot_download(
    repo_id="Shadowell/SuperPnL",
    local_dir="/opt/bitpro/artifacts/superpnl",
    ignore_patterns=["*.tar.gz"],
)

加载模型

下游需要有 SuperPnLModel 结构定义，和训练仓库 src/superpnl/model.py 保持一致。源码仓库：

https://github.com/Shadowell/SuperPnL

python

import json
from pathlib import Path

import numpy as np
import torch

from superpnl.model import SuperPnLModel

model_dir = Path("/opt/bitpro/artifacts/superpnl")

config = json.loads((model_dir / "model_config.json").read_text())
stats = np.load(model_dir / "normalization_stats.npz")
checkpoint = torch.load(model_dir / "model.pt", map_location="cpu")

model = SuperPnLModel(
    bar_dim=config["bar_dim"],
    feature_dim=config["feature_dim"],
    num_horizons=config["num_horizons"],
    hidden_dim=config["hidden_dim"],
    dropout=config["dropout"],
    use_features=True,
)
model.load_state_dict(checkpoint["model"])
model.eval()

实时推理流程

每根 1min K 线确认后执行：

维护 universe.json 中 Top20 symbol 的 rolling 1min K 线窗口。
至少保留 lookback=256 根；建议 warmup_bars=300，覆盖 30m rolling 特征。
只使用 timestamp <= t 的已确认 K 线生成特征。
按 feature_schema.json 的顺序生成 bar 和 features。
使用 normalization_stats.npz 的训练集 mean/std 标准化。
批量推理 [n_symbols, 256, dim]。
读取 recommended_horizon_index=1 的 pred_ret_15m。
策略层再做 threshold、top-k、最短持仓、冷却时间、再平衡间隔和成本约束。

不要直接用：

target_pos = 1 if pred_ret_15m > 0 else 0

这个逐分钟翻仓规则在零成本下表现好，但在真实手续费下会被高换手打穿。

特征泄漏约束

rolling / EMA / rank 都只能使用 <= t 的历史数据。
标准化参数只能使用模型包里的训练集 mean/std，不能在线重新拟合。
截面 rank 必须使用同一 timestamp 上已经可见的 universe 数据。
不能使用 future volume、future slippage、centered rolling、全样本 z-score。
不能用未来成交额或未来上市状态重新选择历史币池。

当前实验结果

主实验是零成本回测：

text

fixed_fee_bps = 0
fixed_slippage_bps = 0
threshold_bps = 0

model	horizon	zero-cost total_return	sharpe	max_drawdown	turnover	conclusion
full_feature_tcn	5m	-14.49%	-3.249	-19.33%	0.3167	不可用
full_feature_tcn	15m	+62.46%	9.099	-5.79%	0.2472	当前唯一主线
full_feature_tcn	30m	-5.80%	-1.532	-7.95%	0.1594	暂不推荐

重要限制：

当前收益是零成本 test PnL，不能直接当作实盘净收益。
加入 maker/taker 成本后，逐分钟翻仓策略会被成本打穿。
下游必须先做低换手策略层，再用真实成本重新回测。
本模型不是投资建议，也不是自动实盘交易系统。

Shadowell/SuperPnL

SuperPnL

文件

模型配置

下载

加载模型

实时推理流程

特征泄漏约束

当前实验结果

推荐下游架构

Shadowell/
SuperPnL