---
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