quantitative-research

name	quantitative-research
description	量化因子研究、数据清洗与对齐、Alpha 评估（IC/IR）、过拟合与稳健性检验。在用户讨论因子挖掘、截面/时序信号、机器学习特征或量化研报框架时启用。

量化研究（因子与 Alpha 框架）

面向研究流程与方法论，不替代实盘交易执行与合规审查；涉及具体标的或策略时须提示回测与实盘的差异及监管要求。

何时启用

• 设计或评估 因子 / 特征：价值、动量、质量、低波动、另类数据等
• 数据层：复权、停牌、财报发布日、幸存者偏差、前视偏差（lookahead）
• 评估指标：IC、Rank IC、IR、分层收益、换手率、衰减、行业/市值中性化
• 稳健性：样本外、滚动窗口、参数敏感性、不同市场状态（牛/熊/震荡）
• 将 ML / 深度学习 用于量化时的特征工程、标签泄露、交叉验证设计

研究流程

1. 问题定义：预测目标（下期收益、风险、排序）、投资域（股票池、期货品种）、频率（日/周/分钟）。
2. 数据与对齐：交易日历、财报时点、公告滞后；训练/验证/测试切分须时间有序。
3. 因子处理：去极值（winsorize）、标准化、中性化（行业、市值、风格）；说明每一步对分布的影响。
4. 评估：截面回归或排序分组；报告多空组合、多头、基准超额；成本与换手为 0 的纸面结果须标注。
5. 风险：过拟合、数据挖掘（multiple testing）、因子拥挤、结构突变（regime change）。
6. 输出：假设 → 数据与样本 → 方法与参数 → 结果与局限 → 需实盘前验证项。

输出要求

• 明确 预测 horizon 与 再平衡频率，避免标签与特征时间错位。
• 对「显著」结果给出经济含义与统计显著性（多重检验校正思路）。
• 不保证收益；强调 过去表现不代表未来。
• 中国大陆市场可提示：T+1、涨跌停、融券与对冲工具限制对「理想回测」的影响（概念层面）。

质量检查清单

• 已排查前视偏差与幸存者偏差
• 训练/验证/测试无信息泄露
• 因子与收益方向、符号在经济上可解释（或明确为纯数据驱动且高风险）
• 报告包含样本期长度与标的数量级