yuxuanhui
6.7 KiB
专业知识：先理解数据，再构造信号
范围仅为 2026-01-01 起发布的论坛帖子。下文把社区经验转成可检验的问题；算子细节、数据类型和可用权限仍以运行时平台文档为准。
1. 覆盖率至少有三个维度
时间覆盖、每天的股票覆盖和数据新鲜度需要分别检查。dateCoverage 不能告诉你缺失在开头、末端还是中间，也不能证明早期股票数量足够。VECTOR 的“当天存在列表”还可能与“列表中存在有效观测”不同。作者提出的 0.6 等阈值仅是筛选经验，不能写成平台标准。来源：【平台新功能】字段新特征：datecoverage的介绍、应用与勘误。（2026-01-10）。
建议体检输出：每日有效股票数、最长连续缺失、最后有效日期、有效值更新次数、常数比例、各地区覆盖、早中晚三个时期的分布。PnL 走平时先排查字段停更、标准差归零和无持仓，再判断信号衰减。
2. NaN 不是统一的经济事件
短暂采集中断、尚未披露、没有发生事件、不适用、停更，都可能表现为 NaN。短窗回填可能修复断点，也可能把旧事件无限延长；季度数据的前值在下一次披露前是否仍有意义，要由字段定义决定，不能一律判定“该填”或“不该填”。group_backfill 会引入同行信息，已改变信号来源。来源：【字段处理】nan 不是一种：断粮型该填、真缺型别填（GLB/MINVOL1M & IND/TOP500/D1）（2026-07-20）、冷门数据集分享【earnings】（2026-07-24）。
比较原始值、有限回填、事件年龄过滤和同行填充时，必须同时记录覆盖变化。不能将填充后收益改善全部归因于原字段。零值也不能统一替换为缺失。
3. 跨地区迁移需要重新对齐
同字段在 USA、IND、GLB 的覆盖、流动性和可交易股票结构可能差异很大；拼接后可能主要暴露于规模或流动性。GROUP 的数字编码也不能跨地区照搬，应重新查对应关系并对齐日期和 instrument。来源：别盲目全region遍历：同一个字段在USA/IND/GLB覆盖差太多，裸concat直接变size beta（2026-07-15）、通过Labs查看group类型字段的字符串与对应数字id的方法(附部分对应表格)（2026-07-23）。
因此可迁移的是机制假设和诊断流程；字段、窗口、中性化、交易成本及组规模都要重验。shortinterest7 在分享帖中被指出实际归到 model 类，名字并不是充分分类依据。来源：【GLB】冷门数据集分享（2026-07-19）。
4. 比率、差值与派生字段的量纲
比率可消除部分规模影响，但必须先确认分子分母代表什么。利润是期间流量，资产是时点存量；每股量、总额、预测 surprise 和 consensus 也不能仅因名称相近就直接运算。来源：0帧起手的字段构建【传奇耐打王系列三】（2026-05-27）、USA analyst一些具有经济学意义的重组数据字段（2026-03-10）。
对后者主帖的直接检查发现：列表包含同一字段减自身，非缺失位置结果恒为零；另有总额除每股量、预测 surprise 减 consensus 等需要口径核验的组合。故该表只能作为候选草稿，不能整体认定为“具有经济意义的字段库”。负债/资产等比率也未消除全部规模风险。
每个派生字段至少记录：单位、财务期间、发布日期、预测期限、分母近零比例、负值处理和方向假设。log(A)-log(B) 要求正值；A/(A+B) 要检查分母和互补关系。
5. 时序与截面操作不能随意交换
ts_scale 与 z-score 不同；组内排序也不等于线性回归残差。先行业处理再时间归一化，与先时间归一化再行业处理，通常不是同一个信号。来源：行业中性加时序标准化：一个干净的 Alpha 模板（2026-06-02）。
【alpha模板】行业中性化残差信号IND模板（2026-01-14） 标题称残差，但 ts_zscore(A)-ts_zscore(group_neutralize(A,sector)) 是两次不同标准化后的差，不能直接解释为剥离行业后的残差。该差可能包含共同成分；应分别回测两项与差值，辨认收益来源。
通俗易懂，从另一个角度理解一下方法vector_neut(x, y)、ts_vector_neut(x, y, d)、ts_vector_proj(x, y, d)（2026-04-05） 区分横截面投影/残差与单只股票时间窗口内的投影/残差。残差消除的是选定解释变量的线性部分，不等于消除了所有风险或建立了因果关系。
6. 频率与衰减
短长均值差可以研究不同时间尺度；x-ts_mean(x,5) 可作去除缓慢成分的近似，但不等于严格 FFT 分解。来源：傅里叶变换在 Alpha 开发中的应用：频率域视角下的信号分解与策略构造（2026-06-14）。新闻、财报、分析师信号的持续时间应分别估计，不能把社区给出的几天或几十天写成固定生命周期。来源：【SPC实战】信号衰减5-7天：数据源“时效性”比“全面性”更重要（2026-08-24）。
7. 字段数量、算子数量与独立信息
增加同类字段可能只是叠加相关噪声和缺失。帖子记录了同域克隆失败、跨类别组合更好的样本，但没有证明多类别组合必然有效。来源：字段堆越多alpha越牛？我替你们试过了，真不是这么回事（2026-07-13）。
保持主字段、方向与覆盖语义后，才讨论删除冗余算子；降低 OpCount 不能靠偷偷改变信号。来源：【Quant101】OpCount 拯救计划：因子化简（2026-06-10）。详见 优化流程。