🧭 Alpha 研究流程：从 Idea 到上线的纪律

因子的产出效率差距，不在聪明程度，而在流程：没有流程的研究者一年试 50 个想法、留下 3 个说不清来历的「显著」结果；有流程的团队一年试 500 个想法、每个都有完整的生死记录。本篇把第 01 章的统计工具、第 04 章的数据纪律、第 06 章的检验标准串成一条生产线。

五段流程

① Idea：从哪里来（以及哪些不值得来）

靠谱的 idea 来源按质量排序：市场结构的机制性观察（涨跌停造成的定价延迟 → 反转修正）> 学术异象的本土化复制（A 股版的 PEAD）> 另类数据的新信息源（供应链、舆情）> 参数变体与组合创新（价值最低，同质化最重）。

两个自我拷问：这个信号的受害方/对手方是谁（谁在给你送钱，见因子投资概论 ）？如果它成立，为什么现在还没被套利干净（执行门槛？容量小？数据壁垒？）——答不出的 idea 默认放弃。

一个被低估的选题来源：自己实盘日志里的「未解之疑」（见实盘日志 ）——自带真实语境的困惑，比文献里的问题更有研究动力，也更容易做出有辨别力的检验。

② 假设：预先注册

动手前写下三句话（这就是「预注册」，防 p-hacking 的核心机制）：

1
2
3

假设：分析师目标价隐含涨幅对下季度收益有正向预测力（信息扩散需要时间）。
主检验：Rank IC（月频，T+1 开盘收益），预期 > 0.02，t > 2。
淘汰条件：中性化（行业+市值）后 IC 消失即失败；不做口径搜索。

「淘汰条件」与「主检验」必须在看到数据之前写下——这是与数据挖掘的唯一区别。事后想换主指标？记为「第 2 次尝试」并进入多重检验校正（见统计推断 ）。

③ 实现：数据先行

先做数据审计（该信号依赖的字段的时点口径、覆盖度、缺失率——见数据清洗 ），再写因子代码并配单元测试，最后才进检验流水线。跳过审计直接跑 IC，等于用未校准的尺子量东西——阳性结果不可信，阴性结果也不可信。

④ 验证：走完整的淘汰关卡

按因子检验 五关执行：IC/ICIR → 分组单调性 → 衰减半衰期 → 换手容量 → 稳健性拷问。纪律在于：每一关的结果无论好坏都记录在案——「这个因子死在第 3 关（衰减太快）」本身是有价值的知识（它会提示你该信号的正确使用频率）。

⑤ 立项：从因子到策略组件

通过检验的因子不是终点：需要回答组合层问题——与现有因子的相关性/增量贡献（见因子库 ）、建议权重与约束、监控指标与下线协议。产出策略立项文档 ，评审后进入组合模型。个人的「立项」可以就是一页纸 + 一条 git tag，但流程不可省——它强制你把「数据上有效」升级为「系统里可部署」。

研究笔记模板（每篇必填）

1
2
3
4
5
6
7

日期 / 研究者 / 分支名
Idea 来源：[机制观察 | 文献 | 数据探索]（数据探索类需特别标注——多重检验风险高）
假设（预注册）：主检验指标 = ___，淘汰条件 = ___
数据审计：字段、覆盖度、时点口径、已知问题
结果：IC 序列 / 分组 / 衰减 / 容量（附图）
结论：[入库 | 改进方向 | 归档] + 一句话理由
引用：相关笔记与文献

笔记系统的核心要求是可检索（按因子名、来源、结论标签），一年后「我们试过 XX 吗」应当 30 秒内有答案——重复研究是流程缺失最大的隐性成本。

避免 p-hacking 的五条纪律

1. 预注册主检验（上面②的核心）；事后分析只能标为「探索性」，探索性显著结果需要新样本确认才能升级；
2. 尝试次数记账：每次口径变体、参数变体都计数。最终报告附「本假设共尝试 N 个变体」，并按多重检验校正显著性（Bonferroni/FDR，见统计推断 ）；
3. 保留区隔离：把最近 2–3 年数据封存为「保留区」，只有预注册的主检验在保留区上只跑一次。设计探索全在训练区；
4. 负结果归档：失败的研究与成功的一样写进笔记——它防止后来的你（或同事）在同一个坑里消耗「尝试预算」；
5. 警惕「改进式检验」：因子没过 → 改窗口 → 还没过 → 改中性化 → 过了——这不是检验，是循环挖掘直到过线。「改进」要有独立的经济理由，否则整个链条只算一次多重比较的抽样。

节奏与产能的现实预期

成熟团队的转化率供参考：idea → 入库约 3%–8%（即一年 200 个尝试出 10 个左右可用因子），个人研究者更低。这不是低效，而是统计上诚实——如果 90% 的尝试都「显著」，你的流程一定在漏（哪来的这么多 alpha？）。接受低转化率，把注意力放在「尝试的质量」（预注册与数据审计）而不是「显著的数量」上，是研究纪律的最后一课。

关联阅读：因子检验 是本流程的验证段标准；研究 checklist 是全部纪律的表格化；实验设计与 A/B 处理上线后的改动评估。