普惠金融数字员工团队 · S 级超限投研团

量化分析师 · sclass-quant

> ### S 不是评级，是物种差异
>
> 普惠金融数字员工团队 · S 级超限投研团
> S-CLASS · 21-Agent Transcendent Research Unit

§0 团队介绍（本段为 21 员共用块，所有 S 级包原样复用）

我们是谁：一支由 21 个 AI 数字员工组成的投研团队，获 2026 腾讯云黑客松 AI 智能体争霸赛全球二等奖。
它不是聊天机器人，也不是单个分析师助手——它是一个有编制、有分工、有会议制度、有审计账本、有科学观测者的完整投研组织。

S 级的三条硬门槛（达不到三条的，一律不许挂 S）：

> ⚠️ S3 的裁决规则：写不出「技术不可能」和「组织不可能」两条理由的，一律降为 S2。
> 这条规则淘汰掉了约一半的注水宣称——我们宁可少写一项，也不写一条站不住的。

21 员编制（9 核心 + 6 扩编 + 5 AI 原生 + 1 科学家 = 21）

三种颜色的含义：

• 核心九员 —— 人类基金公司里真实存在的岗位。我们做到的是「覆盖其职责 + 产出物 + KPI」。
• 扩编六员 —— 人类基金公司里有，但成本高到只有头部机构才配得起的岗位。我们做到的是「把它降到普惠成本」。
• AI 原生五员 —— 人类岗位序列里根本不存在的岗位。 不是"AI 替代人"，是"只有 AI 才能担任的职位"。

§1 岗位规格

🏛 一、对标全球顶尖机构岗位（S1）

人类产能基线：一个新因子从假设到可交付通常 3–10 个工作日；参数敏感性测试往往只覆盖 2–3 档。

> 📌 McLean & Pontiff（2016, Journal of Finance 71(1)）：97 个已发表异象，
> 样本外平均收益比样本内低 58%，发表后低 26%。
> 这条结论决定了本包的第一原则——回测好看不是证据。

🤖 二、对标全球顶尖 AI（S2）

> ⚠️ 未记录实测日期的一律标注「日期未记录」；「IC 预测准确率」无公开 benchmark，不引用、不编造。

🚀 三、超越人类（S3 · 5 项）

本批淘汰掉的 S3 候选（写不出两条硬理由，按规则降为 S2 或删除）：

🔑 最强叙事点（两句，路演必讲）

> 第一句：「不含换手与成本的回测是伪回测。」
>
> 第二句：「回测排名与前瞻表现不成正相关——所以我们不拿回测收益当证据。」
>
> 支撑（实证，不做预测）：McLean & Pontiff (2016) 对 97 个异象的统计显示，
> 样本外收益比样本内低 58%；Harvey, Liu & Zhu (2016, RFS) 主张把新因子的
> t 值门槛从 2.0 抬到 3.0，因为大量「显著」来自多重检验。

> 演示里 backtest.py --demo 的净夏普是 2.371，年化 +22.44% ——
> 这个数字故意做得好看，因为本包要证明的正是：它不算证据。
> 真实市场里同一类因子通常落在 0.3–0.8，靠的是样本外跟踪，不是这一张表。

§2 工作流

Step 0 · 假设登记        → 因子必须先写清 hypothesis 与 fails_when，缺一不许入库
Step 1 · 数据体检        → 缺失率 / 停牌 / 涨跌停；缺字段即 disclosed，不插值
Step 2 · 标准化          → 先 1% / 99% 缩尾，再截面 z（顺序不可交换）
Step 3 · 截面 IC         → 逐日 Spearman(rank(factor), rank(fwd_ret))
Step 4 · ⭐ 稳定性        → 前后两段符号检验；符号相反即判定不可用
Step 5 · ⭐ 参数对照      → 全部档位同一批数据一次跑完，参数极差印出来
Step 6 · 分层回测        → 5 分位多空，逐次调仓算单边换手
Step 7 · 成本摊回        → 毛收益 / 成本拖累 / 净收益三行必须同时出现
Step 8 · 交付 CIO        → ICIR 与净夏普同时达标才进样本外跟踪；本岗位不产生交易动作

> Step 4 与 Step 7 是硬闸门：符号翻转返回 1，成本关闭返回 1。
> 不允许「先跑出漂亮数字再说」。

关键公式（全部写在脚本里，可手工复算）：

缩尾        x' = clip(x, Q_1%, Q_99%)              必须在 z 之前
截面 z      z  = (x' - mean(x')) / std(x')
IC_t        IC_t = Spearman( rank(f_{i,t}), rank(r_{i,t→t+h}) )
ICIR        ICIR = mean(IC_t) / std(IC_t)           （未年化）
年化 ICIR   ICIR_年 = ICIR × sqrt(244 / h)
t 值        t = ICIR × sqrt(T)                      重叠窗口下偏乐观
换手        TV = 0.5 × Σ_i |w_new,i − w_old,i|      （单边口径）
成本拖累    年化成本 = 年均换手 × 单边成本(bps) / 10000
净夏普      Sharpe = mean(daily_excess) / std(daily_excess) × sqrt(244)
年化口径    交易日 244；value × (244/f)，波动 × sqrt(244/f)

§3 输出契约

{
  "schema_version": "sclass-1.0",
  "script": "backtest.py",
  "pack": "sclass-quant",
  "data_source": "synthetic-demo",
  "synthetic": true,
  "trading_days_per_year": 244,
  "seed": 42,
  "banner": ["回测排名与前瞻表现不成正相关",
             "本报告不使用历史回测收益作为策略质量的证据"],
  "factor": "MOM_3M",
  "param": 60,
  "rebalance_days": 5,
  "cost_bps_one_way": 8.0,
  "cost_included": true,
  "n_rebalances": 52,
  "annual_return_net": 0.2244,
  "annual_cost_drag": 0.0175,
  "net_sharpe": 2.371,
  "max_drawdown": 0.0633,
  "annual_turnover": 21.9,
  "turnover_cap": 25.0,
  "breaches": [],
  "trading_actions": 0
}

> 字段缺失时必须输出该字段并置 null 或 "unavailable"，不得省略、不得用估计值填充。
> banner 数组不可为空——两条警示是输出契约的一部分，不是装饰。

§4 脚本清单（全部纯 Python 标准库，零第三方依赖）

§5 限制声明（必须原样出现在每份输出中，不得删改）

1. 复合误差 p^n：单步 92% 的准确率走 5 步只剩 66%，走 30 步只剩 8.2%。
   因子链条越长，越要砍步数而不是提高单步精度。
2. 两条警示常驻输出顶部，任何模式下都不得关闭：
   「回测排名与前瞻表现不成正相关」「本报告不使用历史回测收益作为策略质量的证据」。
   依据：McLean & Pontiff (2016) 样本外衰减 58%；Harvey, Liu & Zhu (2016) 主张 t 门槛提到 3.0。
3. IC 是相关性，不是因果。IC 高只说明排序在当前样本内与前瞻收益同步，
   不说明该因子的经济机制成立。机制解释缺位的因子，不进样本外跟踪。
4. t 值偏乐观：fwd_days > 1 时前瞻窗口重叠，IC 序列自相关，t 值系统性偏高；
   脚本会打印这条警告，不得只把 t 值当结论。
5. 参数对照表与 ic.py 的 IC 不可直接比数值：前者按 10 日抽样算截面，
   后者逐日全截面；两者只能各自内部比较。输出里都打印了截面数，看清再比。
6. 幸存者偏差：标的池都是当前成分，退市与长期停牌标的缺失，回测系统性偏乐观；
   本包不做退市补齐，如实披露，不假装已修正。
7. 成本是假设不是事实：8 bp 为单边综合成本的数量级假设（佣金＋印花税＋冲击成本），
   真实使用必须按标的与时段分层；--no-cost 只用于演示伪回测的危害，其结果被判为不构成证据（退出码 1）。
8. 数据不可用即 unavailable：样本不足、缺失率超限、因子未登记，一律披露；
   禁止用估计值或合成数据填充。--demo 输出恒带 synthetic-demo 标记。
9. 本岗位只出研究结论，不产生任何交易动作（trading_actions 恒为 0）；
   拆单、执行、成本归因归 sclass-execution，本包不越界。
10. 本团队不构成投资建议，不持有任何牌照，输出仅供研究参考。

§6 验收

cd ~/.workbuddy/skills/@user_9bec034f/sclass-quant

# ---- 正常路径（期望退出码 0） ----
python scripts/factor.py --demo
#    期望：5 档参数并排；IC 从 -0.0003 到 +0.0273，参数极差 0.0276 被印出来
python scripts/factor.py --demo --gaps
#    期望：缺失率随参数变长而上升（1.00% → 6.00%），仍如实输出，退出码 0
python scripts/ic.py --demo
#    期望：IC +0.0127、ICIR +0.2148、年化 +1.5006、t 值 3.42；前后半段同号
python scripts/backtest.py --demo
#    期望：扣成本 +22.44% / 成本拖累 1.75% / 未扣成本 +24.19% 三行同时出现；夏普 2.371

# ---- ⭐ 负例（期望退出码非 0） ----
python scripts/ic.py --demo --param 240
#    期望：前半段 +0.0349、后半段 -0.0166，判定方向翻转；**退出码 1**
python scripts/backtest.py --demo --cost-bps 300
#    期望：成本拖累吞掉全部收益，扣成本年化为负；**退出码 1**
python scripts/backtest.py --demo --rebalance-days 1
#    期望：年均换手 48.53 倍 > 上限 25 倍；**退出码 1**
python scripts/backtest.py --demo --no-cost
#    期望：强制标注伪回测，判定不构成证据；**退出码 1**
python scripts/ic.py --demo --min-icir 0.30
#    期望：ICIR 0.2148 < 0.30；**退出码 1**
python scripts/ic.py --demo --min-cross-sections 300
#    期望：可用截面 254 < 300，统计不可用；**退出码 1**
python scripts/factor.py --demo --gaps --max-nan-rate 0.01
#    期望：4 档参数缺失率超限并逐档列出；**退出码 1**
python scripts/factor.py --demo --factor NOPE
#    期望：未登记因子，用法错误；**退出码 2**
python scripts/ic.py --demo --fwd-days 0
#    期望：用法错误；**退出码 2**
python scripts/ic.py --demo --input x.json
#    期望：数据来源不唯一，用法错误；**退出码 2**

# ---- 机器可读与确定性 ----
python scripts/backtest.py --demo --json | head -20
diff <(python scripts/backtest.py --demo --json) \
     <(python scripts/backtest.py --demo --json) && echo "确定性 OK"

验收通过标准（全部满足才算过）：

1. 四条正常路径退出码为 0；
2. 十条负例退出码为 1×7 / 2×3（负例必须真的失败）；
3. backtest.py 任何模式的输出顶部都必须同时出现那两条警示，--json 模式下 banner 数组不为空；
4. 每份输出都必须同时出现「扣成本 / 成本拖累 / 未扣成本」三行，缺一行即不合格；
5. 每个脚本 python -c "import ast,io;ast.parse(...)" 通过，且最长行 ≤ 100 字符。

附 A：为什么「参数对照」比「最优参数」更难

任何一个量化研究员都能给出一个「最优参数」。难的是同时给出全部参数的结果——
因为一旦并排，最优参数就不再是发现，而是一个选择的痕迹。

演示里最有说服力的一行不是最好的那个数，而是这行：

参数极差    : 0.0276 —— 同一因子仅换参数就能造出这个差距，
              所以只报最好那组等于把参数选择变成过拟合来源。

同一批数据、同一个因子、只把回看窗口从 40 天改成 240 天，IC 就从 -0.0003
变成 +0.0273。这两个数字都是「真实计算出来的」，差别只在于我选了哪一个写进报告。

• 技术上：人做对照要重跑多轮，每轮的数据快照都可能不同，而跨快照的对照不是对照。
• 组织上：同时报 5 档等于承认自己不知道用哪档。研究员的产出被计为「有效因子数」，
  没有人的产出被计为「诚实报告了多少个无效尝试」。

本包的做法是：把选择过程本身变成输出的一部分——你不能只拿到结论，
还必须拿到「换个参数会怎样」。

附 B：与 CIO 的关系

• 受 sclass-orchestrator（首席投资官）调度。因子晋级的唯一通道是样本外跟踪，
  晋级门槛写在 data/backtest_config.json：ICIR ≥ 0.30 且净夏普 ≥ 0.50 且年化换手 ≤ 25 倍。
• 上游输入：sclass-data（价量面板与复权口径）、sclass-researcher（因子的经济机制假设）、
  sclass-scanner（异动清单，用于检验因子是否只是异动的影子）。
• 下游交付：sclass-portfolio（因子预期收益与协方差，注意本包只给统计量、不给权重）、
  sclass-risk（因子暴露与拥挤度）、sclass-execution（换手预算，本包只报数字不拆单）。
• 本岗位不产生任何交易动作，trading_actions 恒为 0；也不注册任何下单接口。
• 独立安装本包也能运行，但推荐先装 CIO 以获得统一调度与数据层纪律。