先说结论

• Qlib 已经把“数据→特征→模型→评估→回测”的研究链路做得很顺手，但很多人卡在“最后一公里”：数据日更、滚动训练、信号生产、风险约束、下单执行、监控告警与回滚。

• rdagent（Research–Deployment Agent，简称 RDA）就是为这“最后一公里”而生：它在 Qlib 之上，补齐自动化、工程化、可运维与可审计的能力，让策略从“能跑”到“能稳定跑、可复现、可上线”。

股民与量化小团队的典型痛点

• 回测漂亮，实盘“水土不服”：数据时延、滑点成本、下单规则没对齐，线上成绩与线下差异大。

• 每天手工跑：更新数据、重算特征、训练、导出选股、人工盯盘下单，费时又容易出错。

• 小改动难复现：配置散落在脚本里，过几周就忘了如何重现“那次不错的策略”。

• 线上事故无感：数据延迟没发现、模型漂移不报警、极端行情缺乏熔断与回滚。

• 多策略协同困难：谁先下单、资金如何分配、风控如何统一，对齐成本高。

rdagent 是什么

• rdagent 是围绕 Qlib 工作流的“研究-部署代理”，用配置化与作业流把你的策略自动跑起来：数据入库、滚动训练、验收与A/B、信号生产、组合与风控、下单与监控、异常回滚，形成闭环。

rdagent 在 Qlib 基础上的关键增强

1. 数据侧增强：让“可用数据”按时到位

• 多源接入与标准化：把行情、财报、舆情/因子库等接到统一接口，自动对齐到 Qlib 数据口径。

• 延迟与异常治理：字段延迟日历、缺失修复、极值裁剪、口径校验；数据质量不过门，不触发训练。

• 版本可追溯：数据集打版本标签，任何一次线上/线下实验都能回溯到“用的哪份数据”。

2. 训练与验证自动化：每天“稳态”滚动

• 走期/滚动训练器：定时重算特征、滚动训练、交叉时段验证，避免未来函数。

• 自动调参与A/B：内置或对接 Optuna/LightGBM 原生调参；双模型并行线上灰度，自动选择胜者。

• 模型注册与发布：把“合格的模型”登记、签名与冻结，避免线下与线上模型不一致。

3. 信号生产与组合构建：从“预测”到“持仓”闭环

• 信号门禁：预测分层一致性、IC/RankIC、换手与成本阈值检查，不合格不发布。

• 组合层风控：行业/市值中性、单票与行业权重上限、换手/成交量约束、杠杆与止损规则。

• 成本感知：统一的滑点/费率模型，线上与回测一致，减少“纸面收益”。

4. 执行与适配：接上真正的交易通道

• 交易适配层：统一接口对接券商/CTP/第三方交易（需按你的券商做一次性适配）。

• 订单策略：分批成交、TWAP/VWAP、追价/撤单规则；可按流动性与冲击成本自适应。

• T+1/T+0 流程：A 股日内与日间节奏区分，开盘/收盘窗口自动出入场。

5. 监控、告警与回滚：让策略“看得见、管得住”

• 数据与模型健康：数据延迟、字段异常、模型漂移（PSI/分层IC下滑）、收益偏离实时监控。

• 交易偏差：委托-成交偏差、成本飘移、成交率异常即时告警。

• 熔断与回滚：单日回撤阈值、波动阈值触发降杠杆/降权重；一键回滚到上一个稳定模型/配置。

6. 协同与复现：团队规模化的基础设施

• 配置中心与实验记录：策略、因子、参数、数据版本全可追溯；一键复现实验与线上版本。

• 权限与审计：谁改了参数、何时上线、用了哪些数据与模型，形成策略审计链。

• 仪表盘：收益归因（分层、行业、风格）、风险暴露、成交质量与容量评估可视化。

有了 Qlib，为什么还需要 rdagent

• Qlib 强在“研究与评估”，而 rdagent 补齐“工程化与生产化”。两者不是替代关系，而是分工明确：Qlib 让你把预测做扎实，rdagent 让你把策略跑稳定。

• 只用 Qlib，你能验证一个想法；加上 rdagent，你能持续、低风险地把这个想法每天跑出来，并在数据/市场变化时快速响应。

典型应用场景

• 日更滚动策略（T+1）：每天 17:00 自动拉数据→特征更新→训练/验证→发布次日持仓→次日 9:20 生成订单→盘中监控→收盘复盘。

• 多策略资金统筹：价值、动量、事件与择时多条线并行，rdagent 做资金分配与风控统一，支持 A/B 与灰发布。

• 高成本环境下的稳健化：把滑点和费率“上调压力测试”，策略若达标才上线；上线后持续跟踪“成本回填”偏差。

• 模型漂移防御：IC/RankIC 趋势下行即触发降权或回滚到上个稳定模型，避免“热手”效应带来的损失扩散。

对不同用户的直接收益

• 个体投资者/小团队

• 少写脚本、多做决策：从手工执行变成配置化自动跑，省时省心。

• 降低事故率：数据与模型的黄灯机制，显著减少“因小错酿成大回撤”的概率。

• 快速试错：A/B、灰度与一键回滚，让你敢于迭代又不怕出错。

• 中型团队/机构规范与合规：全链路可追溯与审计，方便内控与对外报备。

• 稳定性与扩展性：多机调度、资源配额、任务编排，研发与投产互不掣肘。

与“仅用 Qlib”的对照

• 研究阶段：Qlib 已够用；rd 让研究成果标准化（数据/特征/模型版本化、自动指标门槛）。

• 上线阶段：Qlib 需要你自己拼接调度、下单、监控；rdagent 提供从训练到下单的一条龙作业流和可视化运维。

• 运行阶段：Qlib 侧重离线评估；rdagent 持续监控、告警、滚、A/B 与容量管理，让策略“活着”更久。

落地路线

• 第1周： Qlib 跑通一个 Alpha 工作流（如 Alpha158 + LightGBM），在 rdagent 中登记为“研究作业”。

• 第2周：开启 rdagent 的“日更流水线”（数据→训练→验收→信号发布），接入测试账户的“模拟下单”适配器。

• 第3周：补齐风控与成本模型；加上 A/B 与阈值门禁；做两轮压力测试与回滚演练。

• 第4周：灰度上线（小资金、低权重），观察监控面板与日报；逐步放大资金与策略数量。

最佳实践清单

• 指标门槛要硬：分层收益为正、IC/RankIC 稳定、成本后收益>0 才发布。

• 成本模型宁严勿松：滑点/费率调高 1.5–2 倍做压力测试，过了再上线。

• 始终保留“笨但稳”的兜底策略：当数据或模型异常时自动切换，保证资金安全。

• 小步快跑、灰度与回滚：每次上线都可在 1–2 天内回退到稳定版本。

IDeepe开源地址：http://www.ideepe.com/icube/chat/?id=778&rid=14

发现更多有趣项目：https://www.ideepe.com/icube