research-design

name	research-design
description	研究 Phase 2：A/B 實驗設計、成功標準、guardrails。Use when 'experiment design', '實驗設計', 'A/B setup'.
allowed-tools	Read, Glob, Grep

/research-design — 實驗設計

接續 /research-scope 的結果，設計對照實驗。

先讀 docs/research_state.json 取得研究主題和類型。

Step 1: 定義 A/B 對照

項目	Baseline (A)	Treatment (B)
描述	現有做法	改進做法
樣本	[全部議員交易]	[篩選後子集]
參數	[列出]	[列出差異]
資料期間	[相同]	[相同]

一次只改一個變數，除非明確設計為多因子實驗。

Step 2: 成功標準

Primary Metric（至少選一）

Metric	達標門檻
CAR_5d	改善 ≥ 0.3%
CAR_20d	改善 ≥ 0.5%
Hit Rate	改善 ≥ 3%
Alpha vs SPY	正向且統計顯著 (p<0.05)

Guardrails（不可違反）

• Alpha ≤ 5% CAR（否則觸發 look-ahead bias 審查）
• Hit Rate ≤ 75%（否則可能過擬合）
• 樣本量 ≥ 30 筆交易（統計顯著性需要足夠樣本）
• 使用 filing_date（非 transaction_date）作為事件日
• Benchmark = SPY 同期報酬

Step 3: 實作路徑

選擇一條路徑：

A — Event Study 回測：

1. 使用 src/alpha_backtest.py 框架
2. 定義子集篩選條件
3. 計算 CAR_5d/20d/60d vs SPY

B — 統計檢定：

1. 使用 src/stat_test.py 框架
2. 定義分組（control vs treatment）
3. 執行 t-test, Mann-Whitney U, bootstrap

C — 獨立腳本：

1. 寫 minimal 測試腳本
2. 只測核心假說
3. 確認可行後再整合到主系統

Step 4: 輸出 Design Doc

## Experiment Design: [Topic] (RB-[XXX])

### A/B Setup
| Item | Baseline (A) | Treatment (B) |
|------|-------------|---------------|
| ... | ... | ... |

### Success Criteria
- Primary: [metric] ≥ [threshold]
- Guardrails: [all checked]

### Implementation Path
- Path: [A/B/C]
- Branch: `research/<topic>`
- Script: [filename]

### Next: `/research-run`

向用戶報告設計，等待確認。