第三周作业计划
创建: 2026-06-11 截止: 2026-06-15（周日） 方向: 因子研读 + 亲手实现 运行环境: Qlib（表达式引擎定义因子，非调预置因子集）
前置约束（用户画像驱动）
- 学习哲学：调框架不算学到东西，必须理解底层 — 用Qlib表达式引擎自己写因子公式，不用Alpha158/Alpha360预置集
- 工作方式：先设计再执行，规划比执行重要 — 因子拆解后必须经过纸上分析+设计方案，再动手写代码
- 知识状态：系统学过RL，因子设计实践空白，基础概念（OHLCV/收益率/波动率/截面vs时序）需要回补
- 交付优先级：交作业为锚点，但不接受"表面完成" — 宁可节奏放慢，每个环节必须经过大脑
任务分解（10分制，AI辅助下）
| # | 任务 | 工作量 | 阶段 | 产出 |
|---|---|---|---|---|
| A | 基础概念回补（OHLCV、收益率计算、波动率、截面vs时序） | 2/10 | 理解 | 概念笔记 |
| B | Alpha101 十个典型因子拆解（输入数据→运算逻辑→输出含义） | 5/10 | 理解 | 因子拆解文档 |
| C | 因子评价方法论（IC/IR、五分位分层、因子衰减） | 3/10 | 理解 | 方法论笔记 |
| D | 纸上分析：对每个因子写金融直觉判断（为什么有效、预期收益分布、潜在陷阱） | 4/10 | 分析 | 分析文档 |
| E | 设计实现方案（选哪几个因子、Qlib环境配置、数据链路、回测流程） | 3/10 | 设计 | 实现方案 |
| F | Qlib表达式引擎写因子 + 单因子回测（IC序列、五分位收益） | 5/10 | 实现 | 因子代码+回测结果 |
| G | 多因子组合打分 + 组合回测 | 5/10 | 实现 | 组合策略+净值曲线 |
| H | RL在仓位优化中的应用（概念了解，仅阅读不实践） | 1/10 | 了解 | 概念笔记 |
时间线
6/11 A(2) + B(5) 继续
6/12 B收尾 + C(3) + [环境准备] 安装Qlib、下载A股日线数据
6/13 D(4) 纸上分析 + E(3) 设计方案
6/14 F(5) 单因子实现+回测 + G(5) 多因子组合
6/15 作业拼装(2) + 缓冲
运行环境：Qlib
为什么选Qlib
- 数据层：内置中国A股日线下载（OHLCV，复权已处理），不浪费精力在数据管线
-
表达式引擎：提供算子库（Ref、Mean、Std、Corr、Rank…），用数学表达式定义因子
-
写
Ref($close, 20) / $close 等价于 pandas 的df.close.rolling(20).mean()— 依然是自己定义公式 - 不是调 Alpha158/Alpha360 预置因子集
- 回测工具：内置 IC 分析、五分位分层回测，省去脚手架搭建
不算"调框架"
| 操作 | 方式 | 判断 |
|---|---|---|
| 用 Alpha158 预置因子集跑回测 | qlib.contrib.model |
❌ 调框架 |
| 用表达式引擎自己写因子公式 | Ref($close, 20) / $close |
✅ 自己的理解 |
| 用Qlib内置IC分析工具 | qlib.contrib.evaluate |
✅ 脚手架复用 |
| 纯 akshare+pandas+手写回测 | 全部自己搭 | ✅ 但基础设施成本高 |
Qlib 表达式引擎是"借用算子库定义自己的因子"，数据和回测工具是"借用脚手架"——都不是当前学习目标，复用不丢人。
关键风险
- D（纸上分析）是最容易被跳过的环节 — 但它是你自己要求的"先分析再验证"，跳过等于违背工作方式
- E（设计方案）决定F/G能多快跑通 — 选哪几个因子、数据链路怎么走，想清楚了代码效率高很多
- 前视偏差（历史时点成分股 vs 当前成分股）是因子回测的经典陷阱，pitfalls.md 已有记录
- H（RL概念了解）仅为了解层面，不写代码不画设计图，不影响核心任务节奏
作业交付物确认
- [ ] 因子研究过程文字（①策略介绍：因子来源、为什么选这些）
- [ ] 回测遇到的问题（②困难：前视偏差？数据缺漏？）
- [ ] 回测结果截图+指标（③净值曲线、IC序列、五分位收益图）
- [ ] 优化思路（④下一步改进方向）
变更记录
| 日期 | 变更 |
|---|---|
| 2026-06-11 | 初始版本：确定Qlib为运行环境，加入D（纸上分析）+E（设计方案）环节 |
| 2026-06-11 | RL从"待决策"降为"概念了解"（1/10），仅阅读理解，不实践 |