| name | wq-alpha-research |
| description | Use for WorldQuant BRAIN alpha research: designing WQ Alpha expressions, selecting fields/operators, diagnosing simulation and IS check failures, tuning Sharpe/Fitness/Turnover, submitting alphas, and building low-correlation alpha portfolios. Also use for 中文 requests about WorldQuant、BRAIN、WQ Alpha、因子表达式、回测、提交、换手、Fitness、Sharpe. |
WQ Alpha 研究 Skill
结构化 playbook：字段 → 表达式 → 回测 → 检查 → 提交 → 组合。融合 WorldQuant BRAIN 文档知识与 USA TOP3000 实证经验。
1. 快速决策树
开始
├── 拉取所有 alpha 列表 ──→ 只看 ACTIVE；算 **日收益** 相关，>0.7 则修改或放弃
├── 设计新因子
│ ├── 字段已验证？ ──否──→ 查第 2 节（本地字段文件搜索 / 模拟 rank(field)）
│ └── 是
│ ├── 基本面 ──→ group_rank + ts_rank, SUBINDUSTRY, decay=0
│ ├── 分析师 ──→ group_rank + ts_rank, INDUSTRY/SUBINDUSTRY, decay=0–4
│ ├── 技术 ────→ 高 decay(10–30) 或混合基本面降低换手
│ └── 情绪 ────→ nanHandling=ON, 小窗口谨慎
└── 提交后 ──→ 验证 status == ACTIVE，否则检查 SELF_CORRELATION
2. 字段速查（本地数据集）
本 SKILL 已内置 USA TOP3000 delay=1 的完整字段列表（共 4367 个），无需每次从网页/ API 拉取：
references/wq_usa_top3000_delay1_data_fields.json：完整字段元数据数组references/wq_usa_top3000_delay1_data_fields.csv：CSV 版，方便 Excel/ pandas 查看references/wq_usa_top3000_delay1_data_fields_summary.json：分类统计与示例字段
字段分布：
| 类别 | 数量 | 说明 |
|---|
| fundamental | 1652 | 财务报表、附注科目 |
| analyst | 1324 | 分析师预期、一致预期 |
| news | 996 | 新闻、财报事件 |
| pv | 195 | 价量、ADV、VWAP 等 |
| option | 138 | 期权隐含波动、Put/Call 等 |
| model | 40 | 模型因子 |
| socialmedia | 22 | 社交媒体情绪 |
| univ1 | 6 | Universe 相关 |
2.1 本地搜索字段
import json
from pathlib import Path
skill_dir = Path(".")
field_dir = skill_dir / "references"
data = json.loads((field_dir / "wq_usa_top3000_delay1_data_fields.json").read_text(encoding="utf-8"))
keyword = "operating_income"
matches = [
f for f in data
if keyword.lower() in f["id"].lower()
or (f.get("description") and keyword.lower() in f["description"].lower())
]
for f in matches[:10]:
print(f"{f['id']} | {f.get('category',{}).get('name')} | {f.get('dataset',{}).get('name')} | coverage={f.get('coverage')} | alphaCount={f.get('alphaCount')}")
2.2 按类别筛选
category = "pv"
fields = [f for f in data if f.get("category", {}).get("id") == category]
print(f"{category}: {len(fields)} fields")
for f in sorted(fields, key=lambda x: x.get("alphaCount", 0), reverse=True)[:10]:
print(f" {f['id']} | alphaCount={f.get('alphaCount')} | coverage={f.get('coverage')}")
2.3 字段验证
拿到候选字段后，先用简单表达式模拟验证字段是否真的可用：
payload = {
"type": "REGULAR",
"settings": {
"instrumentType": "EQUITY", "region": "USA", "universe": "TOP3000",
"delay": 1, "decay": 0, "neutralization": "MARKET",
"truncation": 0.08, "pasteurization": "ON", "unitHandling": "VERIFY",
"nanHandling": "ON", "language": "FASTEXPR", "visualization": False,
},
"regular": "rank(my_candidate_field)",
}
resp = session.post("https://api.worldquantbrain.com/simulations", json=payload)
2.4 何时需要重新拉取
本地字段集已覆盖 USA TOP3000 delay=1。以下情况才需要重新从 BRAIN 拉取：
- 换 Region（如 CHN、EUR）
- 换 Universe（如 TOP500、TOP1000）
- 换 Delay（如 0）
- BRAIN 平台字段列表明显更新（可对比
dateCreated 与本地）
3. 运算符速查表
| 类型 | 算子 | 作用 |
|---|
| 截面 | rank(x), zscore(x), normalize(x), scale(x), winsorize(x, std=4) | 每天对所有股票标准化 |
| 时序 | ts_mean, ts_std_dev, ts_delta, ts_rank, ts_corr, ts_decay_linear, ts_backfill, ts_zscore | 单只股票历史窗口计算 |
| 分组 | group_rank(x, group), group_neutralize(x, group), group_zscore(x, group), group_backfill(x, group, N) | 组内中性化 |
| 条件 | if_else(cond, a, b), trade_when(x, cond, delay) | 条件暴露 |
| 向量 | vec_avg(a, b, c), vec_sum(a, b, c) | 多字段逐元素平均/求和 |
黄金组合：group_rank(ts_rank(signal, N), subindustry)
4. 因子模板库
4.1 高胜率模板
-- 模板 A：ROE 趋势（通过率最高）
group_rank(ts_rank(operating_income / equity, 126), subindustry)
-- 模板 B：EPS 收益率修正
group_rank(ts_rank(est_eps / close, 126), industry)
-- 模板 C：FCF 收益率
group_rank(ts_rank(free_cash_flow_reported_value / equity, 126), industry)
-- 模板 D：多因子混合（高 Fitness）
0.5 * group_rank(ts_rank(operating_income / equity, 126), subindustry)
+ 0.5 * group_rank(ts_rank(est_eps / close, 126), industry)
-- 模板 E：低相关技术+基本面混合
0.5 * rank(-(close / open - 1)) + 0.5 * rank(ts_rank(operating_income / equity, 126))
-- 模板 F：资产周转 × 利润率
rank(ts_rank(operating_income / sales * sales / assets, 126))
4.2 推荐默认设置
| 因子类型 | Decay | Neutralization | Truncation | nanHandling | 预期 TO |
|---|
| 基本面质量 | 0 | SUBINDUSTRY | 0.08 | ON | 2–8% |
| 分析师预期 | 0–4 | INDUSTRY/SUBINDUSTRY | 0.08 | ON | 9–16% |
| 技术反转 | 10–30 | INDUSTRY | 0.08 | OFF | 15–35% |
| 混合因子 | 4–20 | INDUSTRY/SUBINDUSTRY | 0.08 | ON | 10–20% |
| 情绪 | 4–10 | INDUSTRY | 0.05–0.08 | ON | 8–30% |
5. 指标与检查
5.1 核心指标
| 指标 | 公式/含义 | 目标 |
|---|
| Sharpe | 日 IR × √252 | ≥ 1.5（最低 1.25） |
| Fitness | Sharpe × √( | Returns |
| Returns | 年化收益 / $10M | ≥ 7% |
| Turnover | 日交易额 / Book Size | 1%–20% |
| Drawdown | 峰值到谷值最大回撤 | < 15% |
| Margin | PnL / 总交易额 | 越高越好 |
5.2 IS 检查清单
| 检查项 | 阈值 | 失败原因 | 修复方法 |
|---|
| LOW_SHARPE | ≥ 1.25 | 信号弱 | 换字段/窗口/加 group_rank |
| LOW_FITNESS | ≥ 1.0 | 换手过高 | 增大 decay、混合稳定信号 |
| LOW_TURNOVER | ≥ 1% | 信号太稳定 | 缩短窗口、换更活跃字段 |
| HIGH_TURNOVER | ≤ 70% | 换手爆炸 | 增大 decay、trade_when、混合 |
| CONCENTRATED_WEIGHT | 单股 < 10% 且分散 | 权重集中 | 用 rank()、降低 truncation、ts_backfill |
| LOW_SUB_UNIVERSE_SHARPE | TOP1000 也有效 | 小票依赖 | 用基本面、SUBINDUSTRY、避免市值倾斜 |
| SELF_CORRELATION | 日收益 相关系数 < 0.7 | 与已有因子太像 | 换信号簇、加过滤、换 Universe；不要只调参数 |
| MATCHES_COMPETITION | 信息性 | — | 无影响 |
5.3 失败统计
| 失败原因 | 占比 | 结论 |
|---|
| LOW_SHARPE | 90.7% | 信号质量是最大瓶颈 |
| LOW_FITNESS | 66.2% | 通常是 HIGH_TURNOVER 的软性版本 |
| LOW_SUB_UNIVERSE_SHARPE | 51.0% | 避免小票/流动性倾斜 |
按数据类型通过率：基本面 40% > 混合 12.7% > 纯技术 5.3% > 其他 0%
6. 问题诊断与修复
| 症状 | 可能原因 | 修复 |
|---|
| Fitness < 1.0 | 换手 > 30% | 增大 decay、混合基本面、ts_decay_linear |
| Sharpe < 1.25 | 信号弱 | 拉长窗口、group_rank、换字段 |
| TO > 50% | 信号变化太快 | decay 10–30、trade_when、混合 |
| DD > 15% | 波动大/杠杆高 | 增大 decay、降 truncation、混合低波信号 |
| CONCENTRATED_WEIGHT FAIL | 稀疏/极值 | rank()、truncation 0.05、ts_backfill |
| Sub-Universe FAIL | 小票依赖 | 避免 rank(-assets)，用 group_rank、加流动性过滤 |
| simulation_error | 字段不存在/算子参数错误 | 先 rank(field) 验证字段，检查算子参数个数 |
| trade_when 零交易 | 条件过严 | 放宽条件或用 if_else |
7. BRAIN API 自动化
7.1 认证（请填写账号）
使用前必须准备凭据。推荐使用环境变量；也可以在本地放置未跟踪的 credential.txt（已被 .gitignore 忽略），内容为 JSON 数组：
["your_username", "your_password"]
⚠️ 提醒：不要把真实账号密码写入仓库。优先使用 WQ_BRAIN_USERNAME / WQ_BRAIN_PASSWORD 环境变量。
import json
import requests
from requests.auth import HTTPBasicAuth
API_BASE = "https://api.worldquantbrain.com"
import os
username = os.getenv("WQ_BRAIN_USERNAME")
password = os.getenv("WQ_BRAIN_PASSWORD")
if not (username and password):
with open("credential.txt") as f:
username, password = json.load(f)
session = requests.Session()
session.auth = HTTPBasicAuth(username, password)
session.headers.update({
"Content-Type": "application/json",
"Accept": "application/json",
})
resp = session.post(f"{API_BASE}/authentication")
assert resp.status_code == 201, f"认证失败: {resp.status_code} {resp.text}"
print("认证成功")
7.2 获取已提交 Alpha 并计算相关性
目的：在新因子提交前，避免与已有因子 PnL 高度相关（相关系数 ≥ 0.7）。
import numpy as np
def fetch_pnl(session, alpha_id):
"""获取 Alpha 累计 PnL 序列；schema.properties 可能是 list 或 dict。"""
r = session.get(f"{API_BASE}/alphas/{alpha_id}/recordsets/pnl")
if r.status_code != 200 or not r.text.strip():
return []
data = r.json()
props = data.get("schema", {}).get("properties", [])
if isinstance(props, list):
date_idx = next((i for i, p in enumerate(props) if p.get("name", "").lower() == "date"), 0)
pnl_idx = next((i for i, p in enumerate(props) if p.get("name", "").lower() in ("pnl", "cum_pnl", "returns", "ret")), 1)
else:
date_idx = next((v["index"] for k, v in props.items() if k.lower() == "date"), 0)
pnl_idx = next((v["index"] for k, v in props.items() if k.lower() in ("pnl", "cum_pnl", "returns", "ret")), 1)
records = sorted(data.get("records", []), key=lambda r: r[date_idx])
out = []
for row in records:
rec = row[0] if isinstance(row, list) and len(row) == 1 and isinstance(row[0], list) else row
try:
out.append(float(rec[pnl_idx]))
except Exception:
continue
return out
def daily_returns(cum_pnl):
"""累计 PnL 转日收益；相关性应基于日收益，而非累计曲线。"""
return [cum_pnl[i+1] - cum_pnl[i] for i in range(len(cum_pnl) - 1)]
def get_active_alphas(session, user_id="self", limit=100):
"""获取所有 alpha（含 ACTIVE / UNSUBMITTED），分页。"""
all_alphas = []
offset = 0
while True:
data = session.get(f"{API_BASE}/users/{user_id}/alphas", params={"limit": limit, "offset": offset}).json()
batch = data.get("results", data.get("alphas", []))
if not batch:
break
all_alphas.extend(batch)
if len(batch) < limit:
break
offset += limit
return all_alphas
new_pnl = fetch_pnl(session, new_alpha_id)
new_ret = daily_returns(new_pnl)
existing = get_active_alphas(session)
active = [a for a in existing if a.get("status") == "ACTIVE"]
high_corr = []
for alpha in active:
old_id = alpha.get("id")
try:
old_pnl = fetch_pnl(session, old_id)
old_ret = daily_returns(old_pnl)
if len(new_ret) == len(old_ret) and len(new_ret) > 20:
corr = float(np.corrcoef(new_ret, old_ret)[0, 1])
print(f"与 {old_id} 日收益相关性: {corr:.3f}")
if abs(corr) >= 0.7:
high_corr.append((old_id, corr))
except Exception:
continue
if high_corr:
print(f"⚠️ 发现 {len(high_corr)} 个高相关因子，建议修改或放弃")
判断规则（基于日收益，不是累计 PnL）：
| 相关系数 | 动作 |
|---|
| abs(corr) < 0.5 | ✅ 可提交 |
| 0.5 ≤ abs(corr) < 0.7 | ⚠️ 谨慎，需提升 Sharpe 或修改信号 |
| abs(corr) ≥ 0.7 | ❌ 放弃或重构（除非新因子 Sharpe ≥ 旧因子 × 1.1） |
⚠️ 不要用累计 PnL 算相关。累计曲线自带强趋势，会把不同信号的相关性严重夸大。
7.3 回测
payload = {
"type": "REGULAR",
"settings": {
"instrumentType": "EQUITY", "region": "USA", "universe": "TOP3000",
"delay": 1, "decay": 0, "neutralization": "SUBINDUSTRY",
"truncation": 0.08, "pasteurization": "ON", "unitHandling": "VERIFY",
"nanHandling": "ON", "language": "FASTEXPR", "visualization": False,
},
"regular": "group_rank(ts_rank(operating_income/equity, 126), subindustry)",
}
resp = session.post("https://api.worldquantbrain.com/simulations", json=payload)
sim_id = resp.headers["Location"].rstrip("/").split("/")[-1]
while True:
data = session.get(f"https://api.worldquantbrain.com/simulations/{sim_id}").json()
if data.get("status") == "COMPLETE":
alpha_id = data["alpha"]
break
time.sleep(8)
alpha = session.get(f"https://api.worldquantbrain.com/alphas/{alpha_id}").json()
7.4 提交与监控
sub = session.post(f"https://api.worldquantbrain.com/alphas/{alpha_id}/submit")
print(sub.status_code)
for _ in range(30):
alpha = session.get(f"https://api.worldquantbrain.com/alphas/{alpha_id}").json()
sc = next((c for c in alpha.get("is", {}).get("checks", []) if c["name"] == "SELF_CORRELATION"), {})
if sc.get("result") in ("PASS", "FAIL"):
break
time.sleep(60)
7.5 自动提交模板
import numpy as np
def simulate_and_submit(expression, settings, existing_pnls=None):
"""
existing_pnls: {alpha_id: [cum_pnl_values]}，已上线因子的累计 PnL 序列。
返回: {"alpha_id": ..., "decision": "submitted|skip|high_corr|verify_failed", ...}
"""
payload = {"type": "REGULAR", "settings": settings, "regular": expression}
resp = session.post("https://api.worldquantbrain.com/simulations", json=payload)
if resp.status_code != 201:
return {"error": "simulate_failed"}
sim_id = resp.headers["Location"].rstrip("/").split("/")[-1]
while True:
data = session.get(f"https://api.worldquantbrain.com/simulations/{sim_id}").json()
if data.get("status") == "COMPLETE":
alpha_id = data["alpha"]
break
if data.get("status") in ("ERROR", "FAILED"):
return {"error": "simulation_error"}
time.sleep(8)
alpha = session.get(f"https://api.worldquantbrain.com/alphas/{alpha_id}").json()
is_ = alpha.get("is", {})
if is_.get("fitness", 0) < 1.1 or is_.get("sharpe", 0) < 1.3 or is_.get("turnover", 1) > 0.20:
return {"alpha_id": alpha_id, "decision": "skip", "reason": "metrics", "metrics": is_}
def daily_rets(cum):
return [cum[i+1] - cum[i] for i in range(len(cum) - 1)]
if existing_pnls:
new_pnl = fetch_pnl(session, alpha_id)
new_ret = daily_rets(new_pnl)
for old_id, old_pnl in existing_pnls.items():
old_ret = daily_rets(old_pnl)
if len(new_ret) == len(old_ret) and len(new_ret) > 20:
corr = abs(float(np.corrcoef(new_ret, old_ret)[0, 1]))
if corr >= 0.7:
old_sharpe = None
if old_sharpe is None or is_.get("sharpe", 0) < old_sharpe * 1.1:
return {"alpha_id": alpha_id, "decision": "high_corr", "corr_with": old_id, "corr": corr}
sub = session.post(f"https://api.worldquantbrain.com/alphas/{alpha_id}/submit")
if sub.status_code not in (200, 201):
return {"alpha_id": alpha_id, "decision": "submit_failed", "status": sub.status_code}
for _ in range(20):
time.sleep(10)
alpha = session.get(f"https://api.worldquantbrain.com/alphas/{alpha_id}").json()
if alpha.get("status") == "ACTIVE":
return {"alpha_id": alpha_id, "decision": "submitted", "status": "ACTIVE"}
sc = next((c for c in alpha.get("is", {}).get("checks", []) if c["name"] == "SELF_CORRELATION"), {})
if sc.get("result") == "FAIL":
return {"alpha_id": alpha_id, "decision": "self_correlation_fail", "status": alpha.get("status")}
return {"alpha_id": alpha_id, "decision": "verify_failed", "status": alpha.get("status")}
7.6 限流
- 模拟/提交间 sleep 2–5 秒。
- 遇 429 读取
Retry-After，指数退避。
- 批量建议单线程或 ≤ 2 并发。
7.7 提交后验证（201 ≠ 已上线）
POST /alphas/{id}/submit 返回 201 只表示请求被接受，不代表 alpha 已变为 ACTIVE。实战中常见：
- alpha 状态仍为
UNSUBMITTED（SELF_CORRELATION 未通过或审核中）。
- 同一信号换参数生成的新 alpha被系统判定为重复，无法真正提交。
必须二次确认：
alpha = session.get(f"{API_BASE}/alphas/{alpha_id}").json()
print(alpha.get("status"))
for c in alpha.get("is", {}).get("checks", []):
print(c["name"], c.get("result"), c.get("value"))
获取全部 alpha 并统计 ACTIVE 数量：
def get_all_alphas(session, limit=100):
all_alphas = []
offset = 0
while True:
data = session.get(f"{API_BASE}/users/self/alphas", params={"limit": limit, "offset": offset}).json()
batch = data.get("results", data.get("alphas", []))
if not batch:
break
all_alphas.extend(batch)
if len(batch) < limit:
break
offset += limit
return all_alphas
all_alphas = get_all_alphas(session)
active = [a for a in all_alphas if a.get("status") == "ACTIVE"]
print(f"total={len(all_alphas)}, ACTIVE={len(active)}")
8. 组合构建规则
8.1 diversified 组合示例
| 簇 | 代表表达式 |
|---|
| 盈利能力 | group_rank(ts_rank(operating_income/equity, 126), subindustry) |
| 分析师 | group_rank(ts_rank(est_eps/close, 252), subindustry) |
| FCF | group_rank(ts_rank(free_cash_flow_reported_value/equity, 126), industry) |
| 低相关混合 | 0.5*rank(-(close/open-1)) + 0.5*rank(ts_rank(operating_income/equity, 126)) |
| 质量组合 | 0.5*group_rank(ts_rank(oi/equity,126),subindustry) + 0.5*group_rank(ts_rank(est_eps/close,126),industry) |
8.2 提交优先级
- 高 Fitness（≥ 1.5）且低 TO（< 15%）
- 来自不同信号簇
- 若 SELF_CORRELATION 冲突，保留高 Fitness 版本
8.3 相关性的真相
对 ACTIVE alpha 的日收益做相关分析，发现：
- 同一信号簇内相关性极高：
- 两个 open-close 反转 + OI/Equity 混合（权重不同）日收益相关 0.84
- 两个分析师 EPS 相关 0.74
- 两个杠杆/质量因子（
-equity/assets vs liabilities/assets）相关 0.84
- 跨簇也不一定能分散：基于
scl12_buzz 的情绪 alpha 与基于 est_eps/close 的分析师 alpha 相关仍达 0.59–0.67。
- 累计 PnL 相关性严重失真： alpha 的累计 PnL 两两相关普遍 > 0.90，容易让人误以为所有因子都一样。
结论：
- 换窗口、换权重、换 neutralization 不能创造真正的低相关。
- 真正的低相关来自 完全不同的数据来源或经济逻辑（如：宏观事件、期权流、跨境、另类数据）。
- 在常规 USA TOP3000 基本面/价量/分析师池子里，"低相关" 往往是 0.3–0.6 的日收益相关，不要追求 0。
9. 提交前 Checklist
10. 核心经验（一句话版）
- 先生成因子前先拉取所有 ACTIVE alpha 的 PnL，避免高相关重复。
- 相关性必须算日收益，累计 PnL 相关会把所有因子看成同一个。
- 201 响应 ≠ 提交成功：提交后必须确认
status == ACTIVE。
- 基本面 > 混合 > 技术：
operating_income/equity、est_eps/close、free_cash_flow_reported_value/equity 是最稳起点。
- group_rank + ts_rank 是黄金组合。
- SUBINDUSTRY 中性化通过率最高。
- Decay 是控制换手的主杠杆：基本面 0，技术 10–30。
- 50/50 正交混合能降低换手，但未必能降低相关；相关靠信号来源，不靠权重。
- 字段先验证，无效字段秒级报错。
- USA TOP3000 里真正的低相关很难做；同一数据池的 "不同" 表达式往往高度相关。
11. 自进化机制
每次与 BRAIN 交互（提交、查询、分析）后，AI 应把新发现写回本 SKILL，使其随实战经验持续进化。
11.1 触发条件
以下任一情况发生后，运行一次 scripts/evolve_skill.py：
- 提交了一个或多个新 alpha
- 批量回测了一批 alpha
- 查询了 alpha 状态并发现变化（如 UNSUBMITTED → ACTIVE，或被拒绝）
- 发现了新的字段可用性/失效模式
11.2 运行方式
前提：设置 WQ_BRAIN_USERNAME / WQ_BRAIN_PASSWORD，或在 skill 目录下放置未跟踪的 credential.txt，内容为 BRAIN 账号密码 JSON 数组：
["your_username", "your_password"]
pyenv exec python scripts/evolve_skill.py
pyenv exec python scripts/evolve_skill.py --apply
注意：不带 --apply 的预览模式不会修改 alpha_db.json 和 SKILL.md，你可以先审查再提交。脚本仅依赖 requests 和 numpy，不需要 wq-bus 项目代码。数据文件已随 SKILL 分发。
脚本会：
- 拉取
/users/self/alphas（分页）获取全部 alpha。
- 与本地
alpha_db.json 对比，找出 新增 或 状态/指标变化 的 alpha。
- 对新 alpha 抓取
recordsets/pnl，计算与已有 ACTIVE alpha 的 日收益相关性。
- 自动生成经验条目（指标评价 + 相关评价 + 表达式摘要）。
- 第一次运行输出批量快照；后续运行输出增量条目。
--apply 模式下把条目追加到 ## 12. 实证记录（自动更新），并保存本地 alpha_db.json。
11.3 AI 应如何整理经验
脚本输出后，AI 需要人工判断哪些条目值得永久写入 SKILL：
- 保留：高 Fitness 低换手的成功案例、新的低相关信号簇、意外的失败模式。
- 精简：大量重复的同一信号簇条目应合并为一句话规律。
- 更新模板/阈值：如果多次发现某个字段/模板失效，应回到第 4、5、6 节更新。
11.4 数据结构
alpha_db.json：本地 alpha 快照库，包含状态、指标、表达式、PnL。该文件会包含个人研究记录，默认被 .gitignore 忽略，不应提交到公开仓库。SKILL.md：最终人类可读 playbook，第 12 节只保留脱敏后的通用经验。
12. 实证记录（自动更新）
本节仅保留机制说明。真实运行生成的 alpha ID、表达式、PnL、提交状态和相关性记录可能关联个人账号与研究资产，默认写入本地 alpha_db.json，不随仓库发布。
若需要沉淀通用经验，请人工汇总成脱敏规则后再写回第 4、5、6、8、10 节。
