<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:dc="http://purl.org/dc/elements/1.1/">
  <channel>
    <title>DEV Community: Henry Lin</title>
    <description>The latest articles on DEV Community by Henry Lin (@henry_lin_3ac6363747f45b4).</description>
    <link>https://dev.to/henry_lin_3ac6363747f45b4</link>
    <image>
      <url>https://media2.dev.to/dynamic/image/width=90,height=90,fit=cover,gravity=auto,format=auto/https:%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Fuser%2Fprofile_image%2F3446346%2F27539de0-e3e2-4103-a99b-86d7a0f03d57.png</url>
      <title>DEV Community: Henry Lin</title>
      <link>https://dev.to/henry_lin_3ac6363747f45b4</link>
    </image>
    <atom:link rel="self" type="application/rss+xml" href="https://dev.to/feed/henry_lin_3ac6363747f45b4"/>
    <language>en</language>
    <item>
      <title>FDE 第 5 课 企业 AI 的两大流派：Palantir 流派 vs AI Worker 流派</title>
      <dc:creator>Henry Lin</dc:creator>
      <pubDate>Fri, 06 Nov 2026 13:06:57 +0000</pubDate>
      <link>https://dev.to/henry_lin_3ac6363747f45b4/fde-di-5-ke-qi-ye-ai-de-liang-da-liu-pai-palantir-liu-pai-vs-ai-worker-liu-pai-5571</link>
      <guid>https://dev.to/henry_lin_3ac6363747f45b4/fde-di-5-ke-qi-ye-ai-de-liang-da-liu-pai-palantir-liu-pai-vs-ai-worker-liu-pai-5571</guid>
      <description>&lt;p&gt;&lt;strong&gt;企业买 AI 系统，先搞清楚供应商是哪个流派——这决定了交付质量的天花板。&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;🔵 Palantir 流派：AI 是流程里被验收的工人&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;代表作 Palantir。核心思路：&lt;br&gt;
▪️ 先把业务建成模型（本体/ontology）：资产、流程、规则、角色全部结构化&lt;br&gt;
▪️ 流程是确定性的管道，AI 只在被严格定义的环节里干活&lt;br&gt;
▪️ 每步产出可审计、可回滚、可复现&lt;br&gt;
▪️ 人始终在环路上（审核、放行、否决）&lt;/p&gt;

&lt;p&gt;优点：结果可预测、可追责、错误可定位。缺点：前期建设重、慢。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;🔴 AI Worker 流派：AI 是承包整个流程的承包商&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;代表作各种「AI 数字员工」「 autonomous agent」。核心思路：给 AI 一个目标 + 一套工具，让它自己规划、自己执行、自己纠错。&lt;/p&gt;

&lt;p&gt;优点：上手快，演示惊艳。缺点：&lt;strong&gt;不可复现&lt;/strong&gt;——同样输入跑两遍结果可能不同；出错不知道错在哪一步；没法写进任何有合规要求的流程。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;怎么选？看错误的代价。&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;▪️ 错了就是客服话术不好笑一笑 → AI Worker 够用&lt;br&gt;
▪️ 错了是合规事故、资金损失、研究结论污染 → 只能 Palantir 流派&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;现实中的好系统是混合的&lt;/strong&gt;：Palantir 的骨架（确定性流程、可审计）+ 在安全的环节里放 AI worker（自主检索、草拟、自查）。我自己做研究自动化系统就是这个架构：流程编排、验收门槛、数字溯源全部确定性，AI 只在「研究」「批评」这些被 gate 住的环节里干活——审稿环节有一票否决权，而且真的行使过（一次假设验证不达标，系统自己否决了自己，整个研究线标记 rejected）。&lt;/p&gt;

&lt;p&gt;一句大白话总结：&lt;br&gt;
&lt;strong&gt;Palantir 把 AI 当员工管，AI Worker 把 AI 当老板供着。企业要的是前者。&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;本系列五课完结✅ 接下来上真实系统案例：六个行业的企业知识库，每个都能在线试玩，每篇都带评测数字。&lt;/p&gt;

&lt;h1&gt;
  
  
  AI #Palantir #AIAgent #企业数字化 #AI落地
&lt;/h1&gt;

</description>
      <category>ai</category>
      <category>architecture</category>
      <category>automation</category>
      <category>systemdesign</category>
    </item>
    <item>
      <title>FDE 第 4 课 AI 系统怎么验收：评测集、消融实验、拒答率</title>
      <dc:creator>Henry Lin</dc:creator>
      <pubDate>Fri, 06 Nov 2026 13:01:11 +0000</pubDate>
      <link>https://dev.to/henry_lin_3ac6363747f45b4/fde-di-4-ke-ai-xi-tong-zen-yao-yan-shou-ping-ce-ji-xiao-rong-shi-yan-ju-da-lu-18l9</link>
      <guid>https://dev.to/henry_lin_3ac6363747f45b4/fde-di-4-ke-ai-xi-tong-zen-yao-yan-shou-ping-ce-ji-xiao-rong-shi-yan-ju-da-lu-18l9</guid>
      <description>&lt;p&gt;&lt;strong&gt;「demo 效果很好」在企业采购里不值一分钱。&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;因为 demo 时供应商问的是自己挑的问题。专业的 AI 系统验收靠三样东西：&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;一、评测集（eval set）&lt;/strong&gt;&lt;br&gt;
上线前先写好一组问题 + 标准答案，覆盖正常问题和「应该拒答」的问题。我做 HR 制度问答时写了 64 条：52 条问答 + 8 条应拒答（问个人工资、问假病假条怎么开、问别家公司制度）。&lt;/p&gt;

&lt;p&gt;没有评测集，优化就是玄学——改了一版，好了还是坏了，全靠感觉。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;二、消融实验（ablation）&lt;/strong&gt;&lt;br&gt;
每加一个技术组件，单独测它值多少分。&lt;/p&gt;

&lt;p&gt;▪️ v0 框架默认配置：端到端正确率 &lt;strong&gt;0.67&lt;/strong&gt;&lt;br&gt;
▪️ + 按章节切分：0.80&lt;br&gt;
▪️ + 关键词/向量融合（但中文分词有 bug）：0.78 ⬇️&lt;br&gt;
▪️ + 修好中文分词：0.81&lt;br&gt;
▪️ + 元数据过滤（地区/版本）：0.83&lt;br&gt;
▪️ + 拒答 + 表格查表：&lt;strong&gt;0.98&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;看到第三行了吗？加了一个「理论上应该变好」的组件，分数反而掉了——因为框架的中文分词默默失效了。&lt;strong&gt;没有消融实验，这个 bug 永远发现不了，系统带病上线。&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;三、拒答准确率&lt;/strong&gt;&lt;br&gt;
v0 的拒答准确率是 &lt;strong&gt;0.00&lt;/strong&gt;——8 个不该答的问题全答了。企业场景里，「不该答却答了」比「该答没答出」危险十倍。v1 做到 0.88，剩下的 1 条是「食堂今天有什么菜」这种真歧义，如实标注为已知不足。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;验收时怎么问供应商：&lt;/strong&gt;&lt;/p&gt;

&lt;ol&gt;
&lt;li&gt;评测集多少条？拒答样本占比？&lt;/li&gt;
&lt;li&gt;能不能给每个组件的消融数据？&lt;/li&gt;
&lt;li&gt;评测结果是不是随代码一起交付、我能复跑？&lt;/li&gt;
&lt;/ol&gt;

&lt;p&gt;答不上来的，demo 再好看也别签。&lt;/p&gt;

&lt;p&gt;下节课（本系列最后一课）：企业 AI 落地的两大流派——为什么「全自动 AI 员工」在企业里很难交付。&lt;/p&gt;

&lt;h1&gt;
  
  
  AI落地 #软件验收 #RAG #评测 #企业采购
&lt;/h1&gt;

</description>
      <category>ai</category>
      <category>rag</category>
      <category>testing</category>
    </item>
    <item>
      <title>FDE 第 3 课 RAG 入门：为什么企业知识问答不等于「接个大模型」</title>
      <dc:creator>Henry Lin</dc:creator>
      <pubDate>Fri, 06 Nov 2026 12:24:47 +0000</pubDate>
      <link>https://dev.to/henry_lin_3ac6363747f45b4/fde-di-3-ke-rag-ru-men-wei-shi-yao-qi-ye-zhi-shi-wen-da-bu-deng-yu-jie-ge-da-mo-xing--1lho</link>
      <guid>https://dev.to/henry_lin_3ac6363747f45b4/fde-di-3-ke-rag-ru-men-wei-shi-yao-qi-ye-zhi-shi-wen-da-bu-deng-yu-jie-ge-da-mo-xing--1lho</guid>
      <description>&lt;h1&gt;
  
  
  第 3 课｜RAG 入门：为什么企业知识问答不等于「接个大模型」
&lt;/h1&gt;

&lt;blockquote&gt;
&lt;p&gt;系列：AI 落地通识课 · 第 3 课。素材来自本账号六个行业知识库系统的真实实现。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;&lt;strong&gt;企业想让 AI 回答内部知识（制度/手册/研报/合同），直接把文档塞给大模型，为什么不行？&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;三个硬伤：&lt;br&gt;
① 模型不知道你公司的事，硬答 = 编（幻觉）&lt;br&gt;
② 文档量超上下文窗口，塞不下&lt;br&gt;
③ 答案无法核对，出了错没法追责&lt;/p&gt;

&lt;p&gt;解法叫 RAG（检索增强生成），一句话：&lt;strong&gt;先查资料，再回答&lt;/strong&gt;。让模型像开卷考试：回答前先把相关段落检索出来，答案基于检索到的原文。&lt;/p&gt;

&lt;p&gt;但「开卷考试」想考好，四个环节每个都有坑：&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;① 切分（chunking）&lt;/strong&gt;&lt;br&gt;
文档不能整份塞进去，要切成段。切粗了——一份年报糊成一个向量，检索全靠运气，切细了丢上下文。专业做法是按文档类型路由：FAQ 按问答切、合同按条款切、表格单独处理。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;② 检索（双路召回）&lt;/strong&gt;&lt;br&gt;
关键词检索（BM25）管精确词，向量检索管语义。两路融合（RRF）比单路稳：我实测中文场景「仅 BM25 26/32、仅向量 21/32、融合 31/32」。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;③ 拒答（最被忽视的一环）&lt;/strong&gt;&lt;br&gt;
答不了的问题要说「不知道」。域外问题、隐私问题、库外实体，都要有拒答信号。没有拒答机制的问答系统，会在你不知情的时候编答案——这在企业场景是致命的。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;④ 生成与溯源&lt;/strong&gt;&lt;br&gt;
答案要标注出自哪份文档哪一段，用户能核对，系统才能被信任。&lt;/p&gt;

&lt;p&gt;这四个环节我全部做成过可在线试玩的系统（外贸/医疗/IT/金融/法务/HR 六个行业），每一步都有消融实验数字。后面几篇笔记逐个拆真实案例。&lt;/p&gt;

&lt;p&gt;下节课讲最值钱的问题：&lt;strong&gt;AI 系统怎么验收&lt;/strong&gt;——为什么「demo 演示效果很好」在企业采购里一文不值。&lt;/p&gt;

&lt;h1&gt;
  
  
  RAG #大模型 #AI落地 #知识库 #技术科普
&lt;/h1&gt;

</description>
      <category>ai</category>
      <category>llm</category>
      <category>rag</category>
      <category>tutorial</category>
    </item>
    <item>
      <title>FDE 第 2 课 客户说「想用 AI」，专业的人在做需求诊断</title>
      <dc:creator>Henry Lin</dc:creator>
      <pubDate>Fri, 06 Nov 2026 11:47:56 +0000</pubDate>
      <link>https://dev.to/henry_lin_3ac6363747f45b4/fde-di-2-ke-ke-hu-shuo-xiang-yong-ai-zhuan-ye-de-ren-zai-zuo-xu-qiu-zhen-duan-kb7</link>
      <guid>https://dev.to/henry_lin_3ac6363747f45b4/fde-di-2-ke-ke-hu-shuo-xiang-yong-ai-zhuan-ye-de-ren-zai-zuo-xu-qiu-zhen-duan-kb7</guid>
      <description>&lt;h1&gt;
  
  
  第 2 课｜客户说「想用 AI」，专业的人在做需求诊断
&lt;/h1&gt;

&lt;blockquote&gt;
&lt;p&gt;系列：AI 落地通识课 · 第 2 课。方法论来源：专业 BA（业务分析师）流程梳理六步法。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;&lt;strong&gt;「我们想用 AI」——这句话不是需求，是愿望。&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;上一课说 FDE 是带着工程能力做业务诊断的人。这课讲诊断到底怎么做。标准做法是 BA 方法论的六步：&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;01 明确业务目标&lt;/strong&gt;&lt;br&gt;
为什么做？解决什么问题？怎样算成功？&lt;br&gt;
→ 大多数 AI 项目死在这步没人问「成功长什么样」。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;02 调研现状（AS-IS）&lt;/strong&gt;&lt;br&gt;
注意：是「实际怎么做的」，不是「制度规定应该怎么做」。两者之间的差距往往就是最大的痛点。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;03 建流程模型&lt;/strong&gt;&lt;br&gt;
谁、在什么情况下、做什么、需要什么数据、产出什么。异常分支比主流程更重要——AI 项目翻车大多翻在异常分支上。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;04 找问题和根因&lt;/strong&gt;&lt;br&gt;
重复劳动、流程断点、数据不一致、审批瓶颈。是流程问题还是数据问题？不是所有问题都该用 AI 解。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;05 设计目标流程（TO-BE）&lt;/strong&gt;&lt;br&gt;
优化后的流程 + 业务规则 + 哪些环节交给系统、哪些保留人工。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;06 形成需求并验收&lt;/strong&gt;&lt;br&gt;
输出验收标准。没有验收标准的 AI 项目 = 无限改稿。&lt;/p&gt;

&lt;p&gt;举个我真实做过的例子。量化研究团队提需求：「建一个 AI 平台自动挖因子、回测策略。」&lt;/p&gt;

&lt;p&gt;普通开发直接开始设计数据库。专业诊断先追问：&lt;/p&gt;

&lt;p&gt;▪️ 谁提研究假设？谁执行实验？&lt;br&gt;
▪️ 一个因子满足什么条件才算「通过验证」？&lt;br&gt;
▪️ 回测赚钱但扣掉交易成本不赚钱，怎么判定？&lt;br&gt;
▪️ 数据里混进未来信息（前视偏差）怎么办？&lt;br&gt;
▪️ 每次实验要保存什么，半年后才能复现？&lt;/p&gt;

&lt;p&gt;这些问题答完，客户拿到的不是功能列表，是一套能追踪责任、能验证结果的流程。&lt;strong&gt;这就是 FDE 卖的东西：不是工时，是「从业务问题到可运行方案」的完整翻译。&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;下一课：AI 落地里最常见的系统形态——RAG，为什么企业知识问答不等于接个大模型。&lt;/p&gt;

&lt;h1&gt;
  
  
  FDE #需求分析 #AI落地 #业务分析 #数字化转型
&lt;/h1&gt;

</description>
      <category>ai</category>
      <category>productivity</category>
      <category>softwaredevelopment</category>
    </item>
    <item>
      <title>FDE 第 1 课 企业说的 FDE 到底是什么工种</title>
      <dc:creator>Henry Lin</dc:creator>
      <pubDate>Fri, 06 Nov 2026 02:33:26 +0000</pubDate>
      <link>https://dev.to/henry_lin_3ac6363747f45b4/qi-ye-shuo-de-fde-dao-di-shi-shi-yao-gong-chong-3n3e</link>
      <guid>https://dev.to/henry_lin_3ac6363747f45b4/qi-ye-shuo-de-fde-dao-di-shi-shi-yao-gong-chong-3n3e</guid>
      <description>&lt;h1&gt;
  
  
  第 1 课｜企业说的 FDE 到底是什么工种
&lt;/h1&gt;

&lt;blockquote&gt;
&lt;p&gt;系列：AI 落地通识课 · 第 1 课（共 5 课）。本系列先把概念讲对，后面的课用真实系统讲怎么做。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;&lt;strong&gt;企业招 AI 的人，最缺的不是会训模型的。&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;大模型时代冒出来一个工种叫 FDE（Forward Deployed Engineer，前置部署工程师）。Palantir 发明的这个词，字面意思是「派到客户前线去的工程师」。&lt;/p&gt;

&lt;p&gt;一个场景你就懂了——&lt;/p&gt;

&lt;p&gt;客户说：「我们想用 AI 自动分析业务数据。」&lt;/p&gt;

&lt;p&gt;❌ 销售会回答：「可以可以，我们产品都支持。」&lt;br&gt;
❌ 算法工程师会回答：「你们数据在哪，我先接个 API 试试。」&lt;br&gt;
✅ FDE 会先问三个问题：&lt;/p&gt;

&lt;p&gt;1️⃣ 这个「分析」现在是谁在做、每周花多少时间？&lt;br&gt;
2️⃣ 分析错了的代价是什么？（决定方案要多重）&lt;br&gt;
3️⃣ 怎么验证 AI 做的和人工一样好？（验收标准）&lt;/p&gt;

&lt;p&gt;FDE 的本质：&lt;strong&gt;带着工程能力做业务诊断的人&lt;/strong&gt;。他不属于产品团队，而是站在客户的业务流程里，把模糊的诉求（「想用 AI」）翻译成可落地、可验收的系统方案，然后当场把它做出来。&lt;/p&gt;

&lt;p&gt;四个角色的分工一览：&lt;/p&gt;

&lt;p&gt;▪️ BA 业务分析师：搞清楚业务为什么这样运作、规则是什么&lt;br&gt;
▪️ 产品经理：决定产品服务谁、功能怎么排&lt;br&gt;
▪️ 开发工程师：负责技术实现&lt;br&gt;
▪️ FDE：以上三个都要会一点，并且&lt;strong&gt;人到现场、当场交付&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;为什么现在缺 FDE？因为模型能力是买来的（API 谁都能调），但「模型和企业真实流程之间的那一公里」——数据在哪、切多细、错了怎么办、谁验收——买不来。&lt;/p&gt;

&lt;p&gt;下一课讲：客户说「想用 AI」之后，专业的人是怎么把这句话拆解成可执行方案的。&lt;/p&gt;

</description>
      <category>ai</category>
      <category>career</category>
      <category>softwareengineering</category>
    </item>
    <item>
      <title>专业BA方法论--案例</title>
      <dc:creator>Henry Lin</dc:creator>
      <pubDate>Wed, 04 Nov 2026 01:37:19 +0000</pubDate>
      <link>https://dev.to/henry_lin_3ac6363747f45b4/zhuan-ye-bafang-fa-lun-an-li-6na</link>
      <guid>https://dev.to/henry_lin_3ac6363747f45b4/zhuan-ye-bafang-fa-lun-an-li-6na</guid>
      <description>&lt;h1&gt;
  
  
  业务需求文档（BRD）：研究内容工厂 · 客户试点项目
&lt;/h1&gt;




&lt;h2&gt;
  
  
  0. 文档目的与范围
&lt;/h2&gt;

&lt;p&gt;回答四个问题：&lt;strong&gt;为什么做、做什么、不做什么、怎样算做成&lt;/strong&gt;。&lt;/p&gt;

&lt;p&gt;本需求不是来自客户的一句话「我们想用 AI 自动分析市场」，而是经过业务访谈与现状调研后，对客户真实业务流程的翻译。依据方法论的原则：先弄清真实业务，再决定哪些问题用流程优化、制度调整或软件开发解决——本文档区分了这三类。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;范围&lt;/strong&gt;：首单试点（2-3 周，托管代跑形态）。多租户、客户私有数据接入、自动发布为明确出界项（见 §8）。&lt;/p&gt;




&lt;h2&gt;
  
  
  1. 业务目标（Step 01）
&lt;/h2&gt;

&lt;h3&gt;
  
  
  1.1 客户原始诉求（访谈原话）
&lt;/h3&gt;

&lt;p&gt;客户（一家面向个人投资者的教育/内容服务机构，下称「内容方」）在首次沟通中只说了三句话：&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;「我们的研究内容生产太慢了，跟不上市场节奏。」&lt;/li&gt;
&lt;li&gt;「小编写的东西经常被读者挑数字错误，很伤品牌。」&lt;/li&gt;
&lt;li&gt;「我们想用 AI，但又怕 AI 编数字、乱荐股出合规事故。」&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;&lt;strong&gt;BA 判读&lt;/strong&gt;：这三句话各自指向不同的业务问题，不能合并成「买一个 AI 写作工具」：&lt;/p&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;原话&lt;/th&gt;
&lt;th&gt;背后业务问题&lt;/th&gt;
&lt;th&gt;解决手段归属&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;「太慢」&lt;/td&gt;
&lt;td&gt;生产节奏问题：选题→成稿周期 2-5 天，错过事件热度窗口&lt;/td&gt;
&lt;td&gt;流程再造 + 软件（自动研究组织）&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;「被挑数字错误」&lt;/td&gt;
&lt;td&gt;质量与信任问题：数字无来源、核验靠人工&lt;/td&gt;
&lt;td&gt;软件（机器质量门）+ 制度（编辑终审规则）&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;「怕 AI 荐股」&lt;/td&gt;
&lt;td&gt;合规风险问题：无前置合规扫描，出事靠事后删稿&lt;/td&gt;
&lt;td&gt;制度（红线入合同）+ 软件（合规词表阻断）&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;

&lt;h3&gt;
  
  
  1.2 业务目标（可验证表述）
&lt;/h3&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;#&lt;/th&gt;
&lt;th&gt;目标&lt;/th&gt;
&lt;th&gt;衡量指标&lt;/th&gt;
&lt;th&gt;基线（AS-IS）&lt;/th&gt;
&lt;th&gt;目标（试点验收）&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;G1&lt;/td&gt;
&lt;td&gt;缩短选题→可发布成稿周期&lt;/td&gt;
&lt;td&gt;小时&lt;/td&gt;
&lt;td&gt;2-5 天&lt;/td&gt;
&lt;td&gt;≤ 48 小时（含编辑终审）&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;G2&lt;/td&gt;
&lt;td&gt;数字论断可回溯&lt;/td&gt;
&lt;td&gt;数字溯源覆盖率&lt;/td&gt;
&lt;td&gt;~0%（人工核验抽查）&lt;/td&gt;
&lt;td&gt;≥ 90%，机器逐篇校验&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;G3&lt;/td&gt;
&lt;td&gt;合规风险前置拦截&lt;/td&gt;
&lt;td&gt;荐股价词表命中数&lt;/td&gt;
&lt;td&gt;事后人工审，无清单&lt;/td&gt;
&lt;td&gt;交付时零命中（硬门）&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;G4&lt;/td&gt;
&lt;td&gt;跑通人机协作流程&lt;/td&gt;
&lt;td&gt;编辑改稿次数&lt;/td&gt;
&lt;td&gt;—&lt;/td&gt;
&lt;td&gt;平均每篇 ≤ 1 次（软性标准）&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;

&lt;p&gt;&lt;strong&gt;成功定义&lt;/strong&gt;：试点期产出 4-8 篇成稿全部通过机器硬门，编辑终审可发布率 ≥ 75%，且内容方能在案例复盘中复述出「可信度留痕」差异点。&lt;/p&gt;




&lt;h2&gt;
  
  
  2. 现有流程调研 · AS-IS（Step 02）
&lt;/h2&gt;

&lt;p&gt;调研方式：与内容方主编、2 名编辑、1 名合规人员的访谈 + 对其现有工作表格与发布制度的走查。以下为&lt;strong&gt;实际运作&lt;/strong&gt;（AS-IS），非制度文本上的「应该怎么做」——这是方法论强调的关键区别。&lt;/p&gt;

&lt;h3&gt;
  
  
  2.1 现有流程（事件驱动型研究内容生产）
&lt;/h3&gt;



&lt;div class="highlight js-code-highlight"&gt;
&lt;pre class="highlight plaintext"&gt;&lt;code&gt;编辑盯盘/刷资讯 发现热点（如「某板块资金连续净流入」）
  → 口头/群里报题，主编拍板选题（无书面标准）
  → 小编手工查行情网站、截图、抄数字（来源不落档）
  → 小编写稿（800-1500 字），数字凭抄录
  → 主编审稿（重点看行文，数字抽查）
  → 合规审（有合规事故后才逐字看，平时抽审）
  → 发布；读者挑错 → 删稿/更正声明
&lt;/code&gt;&lt;/pre&gt;

&lt;/div&gt;



&lt;h3&gt;
  
  
  2.2 现状数据点
&lt;/h3&gt;

&lt;ul&gt;
&lt;li&gt;月产研究类内容 12-18 篇，从报题到发布中位数 3 天；&lt;/li&gt;
&lt;li&gt;上半年读者指出数字错误的更正 7 次（每篇错误稿平均引发 2-3 条负面评论）；&lt;/li&gt;
&lt;li&gt;编辑核验一篇稿的数字耗时约 40 分钟，且&lt;strong&gt;核验结果不留痕&lt;/strong&gt;——下一篇同样题材还要重查；&lt;/li&gt;
&lt;li&gt;无合规词表，禁语靠编辑记忆和一篇内部注意事项文档。&lt;/li&gt;
&lt;/ul&gt;




&lt;h2&gt;
  
  
  3. 业务流程模型（Step 03）
&lt;/h2&gt;

&lt;h3&gt;
  
  
  3.1 参与角色
&lt;/h3&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;角色&lt;/th&gt;
&lt;th&gt;所属&lt;/th&gt;
&lt;th&gt;在流程中的动作&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;主编&lt;/td&gt;
&lt;td&gt;内容方&lt;/td&gt;
&lt;td&gt;选题池确认、终审、发布决定&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;编辑&lt;/td&gt;
&lt;td&gt;内容方&lt;/td&gt;
&lt;td&gt;题材方向输入、每篇改稿判断、读者侧表述把关&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;合规负责人&lt;/td&gt;
&lt;td&gt;内容方&lt;/td&gt;
&lt;td&gt;红线最终责任（读者侧）&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;研究组织（AI 多人格系统）&lt;/td&gt;
&lt;td&gt;服务方&lt;/td&gt;
&lt;td&gt;观察→假设→研究→批评→评审全流程，产 artifacts&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;成稿引擎（Composer）&lt;/td&gt;
&lt;td&gt;服务方&lt;/td&gt;
&lt;td&gt;artifacts → 成稿 md/HTML + 机器质量门&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;平台运维&lt;/td&gt;
&lt;td&gt;服务方&lt;/td&gt;
&lt;td&gt;每日研究调度运行、交付打包&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;

&lt;h3&gt;
  
  
  3.2 TO-BE 主流程（含判断条件与异常分支）
&lt;/h3&gt;



&lt;div class="highlight js-code-highlight"&gt;
&lt;pre class="highlight plaintext"&gt;&lt;code&gt;[选题池] 主编确认 1 类题材方向（试点期固定，如「资金流异动」）
   ↓
[自动研究] 平台每日运行，观察员在题材内发现异常 → 立项（研究线）
   ├─ 异常分支 A：cn 队涉及新因子立项权争议题材 → 跳过，只续已有研究线
   ↓
[研究执行] 假设可证伪化 → 工具调用留痕 → 批评/评审轮
   ├─ 异常分支 B：评审 reject / 判据不可测 → 成稿如实写「被否决/不可判」※这是特性不是缺陷
   ↓
[机器质量门] 成稿引擎生成稿件，自动跑两道门：
   ├─ 门1 数字溯源覆盖率 &amp;lt;90% → 自动重试一次 → 仍不过 → 回落确定性模板
   └─ 门2 合规词表命中 → 阻断重写（重试一次，再命中回落模板）
   ↓
[打包交付] 按约定周期打包：成稿 + 事实来源清单 + 过程时间线 + 双门校验结果
   ↓
[编辑终审] 客户编辑判断相关度/风格/结构
   ├─ 软性问题 → 每篇可要求 1 次改稿
   └─ 机器门问题（数字/合规）→ 服务方无限次修正（责任在服务方）
   ↓
[发布] 内容方自行发布（平台不接触发布渠道）
&lt;/code&gt;&lt;/pre&gt;

&lt;/div&gt;



&lt;h3&gt;
  
  
  3.3 数据与信息流
&lt;/h3&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;数据&lt;/th&gt;
&lt;th&gt;来源&lt;/th&gt;
&lt;th&gt;处理&lt;/th&gt;
&lt;th&gt;流向&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;行情/资金流/情绪数据&lt;/td&gt;
&lt;td&gt;服务方已接入的公共数据源&lt;/td&gt;
&lt;td&gt;研究组织工具调用，逐次留痕&lt;/td&gt;
&lt;td&gt;成稿证据索引（脚注可点开验证）&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;研究 artifacts&lt;/td&gt;
&lt;td&gt;平台 qrteam 库&lt;/td&gt;
&lt;td&gt;Composer 聚合成稿&lt;/td&gt;
&lt;td&gt;交付包 + 过程时间线&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;质量门校验结果&lt;/td&gt;
&lt;td&gt;Composer 自动校验&lt;/td&gt;
&lt;td&gt;溯源覆盖率 + 词表扫描&lt;/td&gt;
&lt;td&gt;随交付包附机器可复核报告&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;选题方向/终审意见&lt;/td&gt;
&lt;td&gt;内容方&lt;/td&gt;
&lt;td&gt;人工输入&lt;/td&gt;
&lt;td&gt;服务方排产/改稿依据&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;客户私有数据&lt;/td&gt;
&lt;td&gt;——&lt;/td&gt;
&lt;td&gt;
&lt;strong&gt;不接入&lt;/strong&gt;（试点出界）&lt;/td&gt;
&lt;td&gt;——&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;




&lt;h2&gt;
  
  
  4. 问题与根因分析（Step 04）
&lt;/h2&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;#&lt;/th&gt;
&lt;th&gt;现状问题&lt;/th&gt;
&lt;th&gt;根因（5-Why 收敛）&lt;/th&gt;
&lt;th&gt;TO-BE 对策&lt;/th&gt;
&lt;th&gt;手段类型&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;P1&lt;/td&gt;
&lt;td&gt;成稿周期 2-5 天&lt;/td&gt;
&lt;td&gt;研究与写作串行依赖单个小 编手工查数&lt;/td&gt;
&lt;td&gt;自动研究组织 7×24 运行，事件发生时研究已在跑&lt;/td&gt;
&lt;td&gt;软件+流程&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;P2&lt;/td&gt;
&lt;td&gt;数字错误 7 次/半年&lt;/td&gt;
&lt;td&gt;数字来源不落档，核验不可复用&lt;/td&gt;
&lt;td&gt;机器质量门 G2：数字逐个回溯证据，覆盖 &amp;lt;90% 阻断&lt;/td&gt;
&lt;td&gt;软件&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;P3&lt;/td&gt;
&lt;td&gt;合规靠事后删稿&lt;/td&gt;
&lt;td&gt;无前置词表、无责任划分&lt;/td&gt;
&lt;td&gt;词表阻断 + 红线写入 SOW §5（荐股价内容侧责任划分）&lt;/td&gt;
&lt;td&gt;制度+软件&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;P4&lt;/td&gt;
&lt;td&gt;编辑核验耗时 40 分钟/篇&lt;/td&gt;
&lt;td&gt;核验对象是「句子」而非「证据」&lt;/td&gt;
&lt;td&gt;终审对象改为「证据已机器校验的稿」，编辑只判内容判断&lt;/td&gt;
&lt;td&gt;流程&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;P5&lt;/td&gt;
&lt;td&gt;不利结论被修饰成正面&lt;/td&gt;
&lt;td&gt;无独立评审环节，写作者倾向自证&lt;/td&gt;
&lt;td&gt;评审人格一票否决 + reject 也如实成稿（演示故事 B 已验证该纪律）&lt;/td&gt;
&lt;td&gt;软件+制度&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;




&lt;h2&gt;
  
  
  5. 目标流程 · TO-BE 关键业务规则（Step 05）
&lt;/h2&gt;

&lt;p&gt;业务规则清单（判断条件 / 限制 / 例外），编号供 FRD 与测试用例引用：&lt;/p&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;规则ID&lt;/th&gt;
&lt;th&gt;规则内容&lt;/th&gt;
&lt;th&gt;违反后果&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;BR-01&lt;/td&gt;
&lt;td&gt;成稿中所有数字性论断必须回溯到研究档案证据条目，覆盖率 ≥90% 方可交付&lt;/td&gt;
&lt;td&gt;自动重试→回落模板→仍不过不交付&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;BR-02&lt;/td&gt;
&lt;td&gt;合规词表（买入/卖出/建仓/目标价/止损/仓位建议等 16 词）命中即阻断&lt;/td&gt;
&lt;td&gt;同上；交付包附扫描结果&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;BR-03&lt;/td&gt;
&lt;td&gt;假设被证伪或判据不可测时，成稿必须如实呈现，禁止修饰为正面结论&lt;/td&gt;
&lt;td&gt;属红线，写入合同&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;BR-04&lt;/td&gt;
&lt;td&gt;内容定位为研究过程与方法论报道，&lt;strong&gt;不给买卖点/目标价/仓位/收益承诺&lt;/strong&gt;
&lt;/td&gt;
&lt;td&gt;红线，写入合同&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;BR-05&lt;/td&gt;
&lt;td&gt;软性质量问题（风格/相关度）每篇限 1 次改稿；机器门问题不限次且责任在服务方&lt;/td&gt;
&lt;td&gt;SOW §4&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;BR-06&lt;/td&gt;
&lt;td&gt;试点期题材固定为 1 类；新增题材属范围变更，需双方书面确认&lt;/td&gt;
&lt;td&gt;变更管理&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;BR-07&lt;/td&gt;
&lt;td&gt;现场演示/交付中的研究线避开 cn 队「新因子立项权争议」题材，只选已有研究线&lt;/td&gt;
&lt;td&gt;选材规则&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;

&lt;h3&gt;
  
  
  RACI 职责矩阵
&lt;/h3&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;活动&lt;/th&gt;
&lt;th&gt;服务方平台&lt;/th&gt;
&lt;th&gt;服务方BA/运维&lt;/th&gt;
&lt;th&gt;客户主编&lt;/th&gt;
&lt;th&gt;客户编辑&lt;/th&gt;
&lt;th&gt;客户合规&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;选题池确认&lt;/td&gt;
&lt;td&gt;I&lt;/td&gt;
&lt;td&gt;C&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;A/R&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;C&lt;/td&gt;
&lt;td&gt;I&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;研究执行与留痕&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;A/R&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;R&lt;/td&gt;
&lt;td&gt;I&lt;/td&gt;
&lt;td&gt;I&lt;/td&gt;
&lt;td&gt;–&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;机器质量门&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;A/R&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;R&lt;/td&gt;
&lt;td&gt;I&lt;/td&gt;
&lt;td&gt;I&lt;/td&gt;
&lt;td&gt;I&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;打包交付&lt;/td&gt;
&lt;td&gt;R&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;A/R&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;I&lt;/td&gt;
&lt;td&gt;I&lt;/td&gt;
&lt;td&gt;–&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;每篇终审&lt;/td&gt;
&lt;td&gt;I&lt;/td&gt;
&lt;td&gt;C&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;A&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;R&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;C&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;发布与读者侧合规&lt;/td&gt;
&lt;td&gt;–&lt;/td&gt;
&lt;td&gt;–&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;A&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;R&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;R&lt;/strong&gt;&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;红线（BR-03/04）终责&lt;/td&gt;
&lt;td&gt;R&lt;/td&gt;
&lt;td&gt;R&lt;/td&gt;
&lt;td&gt;I&lt;/td&gt;
&lt;td&gt;I&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;A&lt;/strong&gt;&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;




&lt;h2&gt;
  
  
  6. 需求清单（Step 06：业务需求 → 系统能力）
&lt;/h2&gt;

&lt;p&gt;按方法论转化链：业务目标 → 业务规则 → 功能需求。试点复用已建成的平台能力（见 demo-spec §2/§4），新增需求集中在交付协作层。&lt;/p&gt;

&lt;h3&gt;
  
  
  6.1 功能需求（FRD 摘要）
&lt;/h3&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;ID&lt;/th&gt;
&lt;th&gt;需求&lt;/th&gt;
&lt;th&gt;溯源&lt;/th&gt;
&lt;th&gt;现状&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;FR-01&lt;/td&gt;
&lt;td&gt;按客户题材选题并排产（题材内自动发现 + 避开争议题材）&lt;/td&gt;
&lt;td&gt;G1, BR-07&lt;/td&gt;
&lt;td&gt;✅ 平台已有&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;FR-02&lt;/td&gt;
&lt;td&gt;成稿生成（800-1500 字，结构：现象→假设→检验→评审→局限，证据脚注 E1..En）&lt;/td&gt;
&lt;td&gt;G2&lt;/td&gt;
&lt;td&gt;✅ compose.py&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;FR-03&lt;/td&gt;
&lt;td&gt;数字溯源机器校验（覆盖率报告随交付）&lt;/td&gt;
&lt;td&gt;G2, BR-01&lt;/td&gt;
&lt;td&gt;✅&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;FR-04&lt;/td&gt;
&lt;td&gt;合规词表前置扫描（16 词，报告随交付）&lt;/td&gt;
&lt;td&gt;G3, BR-02&lt;/td&gt;
&lt;td&gt;✅&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;FR-05&lt;/td&gt;
&lt;td&gt;周期打包交付：成稿 md/HTML + 事实来源清单 + 过程时间线 + 双门报告&lt;/td&gt;
&lt;td&gt;G1&lt;/td&gt;
&lt;td&gt;⬜ 需按客户节奏打包（现为演示货架）&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;FR-06&lt;/td&gt;
&lt;td&gt;改稿工作流：记录编辑意见→改稿→重跑双门→再交付（软性 1 次限制的执行）&lt;/td&gt;
&lt;td&gt;G4, BR-05&lt;/td&gt;
&lt;td&gt;⬜ 试点期人工流程，工具化留 v2&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;FR-07&lt;/td&gt;
&lt;td&gt;交付追踪表：每篇状态（研究生成/双门通过/待终审/已改稿/可发布）&lt;/td&gt;
&lt;td&gt;G4&lt;/td&gt;
&lt;td&gt;⬜ 轻量新增&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;

&lt;h3&gt;
  
  
  6.2 用户故事与验收标准（示例，验收以 SOW §4 为准）
&lt;/h3&gt;

&lt;p&gt;&lt;strong&gt;US-01（编辑）&lt;/strong&gt;：作为编辑，我想在成稿里点开任何一个数字看到它的来源工具调用，以便 40 分钟的核验降为抽查，并且能向读者证明数字可信。&lt;br&gt;
验收：① 每篇证据索引零死链（DOM 断言）；② 数字溯源覆盖率报告 ≥90%；③ 覆盖率不达标时该篇不进入交付包。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;US-02（主编）&lt;/strong&gt;：作为主编，我想看到假设被否决的研究也成稿，以便用「系统敢否决自己」建立读者信任。&lt;br&gt;
验收：① reject/不可判 结局如实出现在成稿与时间线；② 交付包含至少 1 篇非 promoted 结局的成稿（选材保证三结局覆盖）。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;US-03（合规负责人）&lt;/strong&gt;：作为合规，我想在稿子到我之前就知道荐股价词表已零命中，以便把审稿精力放在表述而非禁语。&lt;br&gt;
验收：① 每篇附词表扫描结果；② 命中阻断有留痕（重试/回落记录）。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;US-04（主编）&lt;/strong&gt;：作为主编，我想知道每篇改稿用了几次机会，以便管理试点期的协作纪律。&lt;br&gt;
验收：① 交付追踪表区分「软性改稿（计 1 次）」与「机器门修正（不计次）」；② 软性超 1 次的请求按范围变更处理（BR-06）。&lt;/p&gt;




&lt;h2&gt;
  
  
  7. 非功能需求与约束
&lt;/h2&gt;

&lt;ul&gt;
&lt;li&gt;
&lt;strong&gt;形态约束&lt;/strong&gt;：v1 托管代跑——客户收到成稿包，不含平台访问；平台在服务方环境运行（成本已计量：单篇全链 &amp;lt;¥20，定价锚人力，见 &lt;code&gt;cost-pricing.md&lt;/code&gt;）。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;数据边界&lt;/strong&gt;：仅公共数据源；客户私有数据不接入。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;节奏约束&lt;/strong&gt;：QR 研究单 run 31-53 分钟；承诺 48 小时周期时须含此余量。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;语言&lt;/strong&gt;：v1 中文。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;不做&lt;/strong&gt;：用户系统/多租户、debate 辩论线、自动发布到任何渠道。&lt;/li&gt;
&lt;/ul&gt;




&lt;h2&gt;
  
  
  8. 验收与效果验证（怎样证明改变有效）
&lt;/h2&gt;

&lt;p&gt;方法论要求 TO-BE 设计回答「如何验证改进效果」，验收对照 §1.2 指标：&lt;/p&gt;

&lt;ol&gt;
&lt;li&gt;
&lt;strong&gt;硬门（机器可复核，逐篇）&lt;/strong&gt;：数字溯源 ≥90% + 合规词表零命中——两报告随交付包，客户可独立复核。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;软门（编辑判断）&lt;/strong&gt;：终审可发布率 ≥75%；软性改稿平均 ≤1 次/篇。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;业务指标（试点复盘）&lt;/strong&gt;：选题→可发布周期 ≤48h vs 基线 2-5 天；读者数字类更正 = 0。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;差异点确认&lt;/strong&gt;：试点复盘会上，客户方能复述「可信度留痕」差异点（对应 demo-spec 验收第 3 条的 B2B 版）。&lt;/li&gt;
&lt;/ol&gt;




&lt;h2&gt;
  
  
  9. 开放问题（待客户确认）
&lt;/h2&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;#&lt;/th&gt;
&lt;th&gt;问题&lt;/th&gt;
&lt;th&gt;影响&lt;/th&gt;
&lt;th&gt;建议&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;Q1&lt;/td&gt;
&lt;td&gt;交付节奏：每周打包 vs 一次性&lt;/td&gt;
&lt;td&gt;FR-05 排产&lt;/td&gt;
&lt;td&gt;建议每周，保留中途校正机会&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;Q2&lt;/td&gt;
&lt;td&gt;试点题材首选（资金流异动/情绪极值/行业轮动）&lt;/td&gt;
&lt;td&gt;选材与基线&lt;/td&gt;
&lt;td&gt;建议资金流异动（演示线证据最厚）&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;Q3&lt;/td&gt;
&lt;td&gt;试点后订阅计价（按篇/按月）&lt;/td&gt;
&lt;td&gt;商务&lt;/td&gt;
&lt;td&gt;另行报价，不阻塞试点启动&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;




&lt;p&gt;&lt;em&gt;本文档按「按项目规模和风险选择合适方法」原则裁剪：试点规模小、硬门可机器复核，故 BRD 与 FRD 合体、流程用文字模型而非完整 BPMN；签约时以 &lt;code&gt;SOW-pilot-template.md&lt;/code&gt; 为合同附件，本文档作为其需求基线。&lt;/em&gt;&lt;/p&gt;

</description>
      <category>management</category>
      <category>productivity</category>
    </item>
    <item>
      <title>专业 BA 方法论</title>
      <dc:creator>Henry Lin</dc:creator>
      <pubDate>Wed, 04 Nov 2026 01:21:52 +0000</pubDate>
      <link>https://dev.to/henry_lin_3ac6363747f45b4/zhuan-ye-ba-fang-fa-lun-46bh</link>
      <guid>https://dev.to/henry_lin_3ac6363747f45b4/zhuan-ye-ba-fang-fa-lun-46bh</guid>
      <description>&lt;p&gt;“专业 BA 方法论梳理业务流程”这句话，简单来说就是：&lt;/p&gt;

&lt;p&gt;由专业的业务分析师（BA，Business Analyst）运用一套系统化的方法，把企业目前的业务是怎么运作的、存在哪些问题、未来应该怎么改进，分析清楚并形成可执行的方案。&lt;/p&gt;

&lt;p&gt;它不是简单地画一张流程图，也不是听客户讲完需求就开始写代码，而是要把业务背后的规则、角色、数据、异常情况和业务目标都搞清楚。&lt;/p&gt;

&lt;h2&gt;
  
  
  一、先理解三个关键词
&lt;/h2&gt;

&lt;p&gt;1. BA：业务分析师&lt;/p&gt;

&lt;p&gt;Business Analyst&lt;/p&gt;

&lt;p&gt;负责连接业务人员和技术人员，把模糊的业务诉求转化成清晰的业务规则、需求和系统方案。&lt;/p&gt;

&lt;p&gt;2. 方法论：系统化的分析方法&lt;/p&gt;

&lt;p&gt;例如业务访谈、流程建模、价值链分析、业务规则梳理、问题根因分析、需求优先级排序、验收标准定义等。&lt;/p&gt;

&lt;p&gt;3. 梳理业务流程&lt;/p&gt;

&lt;p&gt;把业务从开始到结束的全过程拆解清楚，明确谁在什么情况下做什么、需要哪些数据、遵循什么规则、产生什么结果。&lt;/p&gt;

&lt;h2&gt;
  
  
  二、专业 BA 是如何梳理业务流程的？
&lt;/h2&gt;

&lt;p&gt;通常可以分成下面六个步骤。&lt;/p&gt;

&lt;h3&gt;
  
  
  01
&lt;/h3&gt;

&lt;p&gt;明确业务目标&lt;/p&gt;

&lt;p&gt;为什么要做这件事？要解决什么问题？怎样才算成功？&lt;/p&gt;

&lt;h3&gt;
  
  
  02
&lt;/h3&gt;

&lt;p&gt;调研现有流程（AS-IS）&lt;/p&gt;

&lt;p&gt;访谈业务人员，查看现有系统、表格、制度和实际操作。&lt;/p&gt;

&lt;h3&gt;
  
  
  03
&lt;/h3&gt;

&lt;p&gt;建立业务流程模型&lt;/p&gt;

&lt;p&gt;梳理参与角色、操作步骤、判断条件、输入输出以及异常分支。&lt;/p&gt;

&lt;h3&gt;
  
  
  04
&lt;/h3&gt;

&lt;p&gt;发现问题和根因&lt;/p&gt;

&lt;p&gt;找出重复劳动、流程断点、数据不一致、审批瓶颈和风险。&lt;/p&gt;

&lt;h3&gt;
  
  
  05
&lt;/h3&gt;

&lt;p&gt;设计目标流程（TO-BE）&lt;/p&gt;

&lt;p&gt;明确优化后的流程、业务规则、职责分工和系统支持方式。&lt;/p&gt;

&lt;h3&gt;
  
  
  06
&lt;/h3&gt;

&lt;p&gt;形成需求并验收&lt;/p&gt;

&lt;p&gt;输出需求文档、业务规则、验收条件，确保开发结果符合业务目标。&lt;/p&gt;

&lt;p&gt;这里有一个关键区别：&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;AS-IS：现在实际上是怎么做的，而不只是制度规定应该怎么做。&lt;/li&gt;
&lt;li&gt;TO-BE：未来应该怎么做，为什么这样设计，以及如何验证改进效果。&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;专业 BA 不应该一开始就急着设计新系统，而是先弄清楚真实业务，再决定哪些问题需要通过流程优化、制度调整或软件开发来解决。&lt;/p&gt;

&lt;h2&gt;
  
  
  三、举一个实际案例：量化研究平台
&lt;/h2&gt;

&lt;p&gt;假设一家量化投资团队提出需求：&lt;/p&gt;

&lt;p&gt;“我们希望建设一个 AI 量化研究平台，自动挖掘因子并回测策略。”&lt;/p&gt;

&lt;p&gt;普通开发人员可能直接开始设计数据库、开发因子模块、接入回测引擎。&lt;/p&gt;

&lt;p&gt;专业 BA 则会先梳理整个研究业务。&lt;/p&gt;

&lt;p&gt;研究目标定义&lt;/p&gt;

&lt;p&gt;研究什么市场、什么问题、什么收益目标&lt;/p&gt;

&lt;p&gt;数据准备与质量检查&lt;/p&gt;

&lt;p&gt;数据完整性、时点正确性、异常数据处理&lt;/p&gt;

&lt;p&gt;研究假设与实验设计&lt;/p&gt;

&lt;p&gt;因子定义、样本区间、基准、验证规则&lt;/p&gt;

&lt;p&gt;回测与成本评估&lt;/p&gt;

&lt;p&gt;交易成本、滑点、容量、风控约束&lt;/p&gt;

&lt;p&gt;独立验证与评审&lt;/p&gt;

&lt;p&gt;样本外表现、稳健性、过拟合风险&lt;/p&gt;

&lt;p&gt;研究成果分级&lt;/p&gt;

&lt;p&gt;拒绝、继续研究、模拟交易、候选上线&lt;/p&gt;

&lt;p&gt;接下来，BA 还需要进一步追问：&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;谁负责提出研究假设？谁负责执行实验？&lt;/li&gt;
&lt;li&gt;什么条件下，一个因子才算通过验证？&lt;/li&gt;
&lt;li&gt;数据出现未来信息泄漏时，系统如何处理？&lt;/li&gt;
&lt;li&gt;回测收益很好，但扣除交易成本后没有收益，应该如何判定？&lt;/li&gt;
&lt;li&gt;谁可以批准进入模拟交易？谁负责最终上线？&lt;/li&gt;
&lt;li&gt;每次实验需要保存哪些参数、数据版本和结果，才能复现？&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;这些问题才是业务流程梳理的核心。&lt;/p&gt;

&lt;p&gt;最终，团队获得的就不只是一个软件功能列表，而是一套能够落地执行、能够追踪责任、能够验证结果的业务流程和规则体系。&lt;/p&gt;

&lt;h2&gt;
  
  
  四、专业 BA 最终应该交付什么？
&lt;/h2&gt;

&lt;p&gt;常见交付物包括：&lt;/p&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;交付物&lt;/th&gt;
&lt;th&gt;解决的问题&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;业务目标与范围说明&lt;/td&gt;
&lt;td&gt;为什么做、做什么、不做什么&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;业务流程图（BPMN 等）&lt;/td&gt;
&lt;td&gt;谁在什么情况下执行什么操作&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;业务规则清单&lt;/td&gt;
&lt;td&gt;判断条件、限制、例外及计算规则&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;角色与职责矩阵（RACI）&lt;/td&gt;
&lt;td&gt;谁负责、谁审批、谁协作&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;数据与信息流说明&lt;/td&gt;
&lt;td&gt;数据从哪里来，经过什么处理，流向哪里&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;问题与改进方案&lt;/td&gt;
&lt;td&gt;当前问题及其根因，未来如何优化&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;业务需求文档（BRD）/功能需求文档（FRD）&lt;/td&gt;
&lt;td&gt;业务需求如何转化为系统能力&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;用户故事与验收标准&lt;/td&gt;
&lt;td&gt;怎样判断开发结果真正满足需求&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;

&lt;p&gt;并不是每个项目都必须产出全部文档。专业 BA 的价值在于根据项目规模和风险选择合适的方法，而不是把文档做得越多越好。&lt;/p&gt;

&lt;h2&gt;
  
  
  五、BA、产品经理、开发人员有什么区别？
&lt;/h2&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;角色&lt;/th&gt;
&lt;th&gt;核心关注点&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;BA 业务分析师&lt;/td&gt;
&lt;td&gt;业务为什么这样运作，规则是什么，问题如何解决&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;产品经理（PM）&lt;/td&gt;
&lt;td&gt;产品服务谁，提供什么价值，功能如何规划&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;开发工程师&lt;/td&gt;
&lt;td&gt;如何通过软件架构、代码和技术实现需求&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;项目经理（Project Manager）&lt;/td&gt;
&lt;td&gt;如何安排进度、资源、风险和交付&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;

&lt;p&gt;现实中，这些角色会有交叉。尤其在小团队里，一个人可以同时承担 BA、产品经理、技术架构师和开发人员的工作。&lt;/p&gt;

&lt;h2&gt;
  
  
  六、如果把它用于 FDE 业务，价值在哪里？
&lt;/h2&gt;

&lt;p&gt;结合你正在探索的金融量化 FDE 方向，专业 BA 方法论可以成为一个很实用的服务入口。&lt;/p&gt;

&lt;p&gt;客户可能只会告诉你：&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;“我们想用 AI 自动分析市场。”&lt;/li&gt;
&lt;li&gt;“我们的研究流程太慢了。”&lt;/li&gt;
&lt;li&gt;“每天需要人工整理很多数据。”&lt;/li&gt;
&lt;li&gt;“我们已经有系统，但不同模块之间无法打通。”&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;你不能直接把这些话当成软件需求，而是要通过 BA 方法论把它们转化为：&lt;/p&gt;

&lt;ol&gt;
&lt;li&gt;业务诊断：当前流程、业务痛点和真实原因。&lt;/li&gt;
&lt;li&gt;流程设计：明确优化后的工作方式和业务规则。&lt;/li&gt;
&lt;li&gt;解决方案设计：判断哪些需要软件、AI、数据管道或人工审批。&lt;/li&gt;
&lt;li&gt;MVP 实施：先实现最有价值的一段业务流程。&lt;/li&gt;
&lt;li&gt;效果验收：用耗时、错误率、成本或研究效率等指标验证成果。&lt;/li&gt;
&lt;/ol&gt;

&lt;p&gt;这样，你出售的就不只是开发工时，而是从业务问题分析到可运行解决方案的完整服务。&lt;/p&gt;

&lt;p&gt;一句话总结：专业 BA 方法论梳理业务流程，就是把“客户想要什么”进一步分析成“业务实际怎么运行、为什么存在问题、应该如何改变，以及怎样证明改变有效”。&lt;/p&gt;

&lt;p&gt;如果你是在招聘要求、FDE 项目介绍或客户需求中看到这句话，它可能还有更具体的含义。最重要的是区分：对方需要的是业务流程咨询、需求分析文档，还是能够真正落地的系统改造。这三种服务的工作深度和收费方式可能差别很大。&lt;/p&gt;

</description>
      <category>analysis</category>
      <category>management</category>
      <category>product</category>
    </item>
    <item>
      <title>RD-AGENT 第六讲 · 一次预注册实验的完整生命周期：两份判决书</title>
      <dc:creator>Henry Lin</dc:creator>
      <pubDate>Wed, 14 Oct 2026 05:06:06 +0000</pubDate>
      <link>https://dev.to/henry_lin_3ac6363747f45b4/rd-agent-di-liu-jiang-ci-yu-zhu-ce-shi-yan-de-wan-zheng-sheng-ming-zhou-qi-liang-fen-pan-jue-shu-3heo</link>
      <guid>https://dev.to/henry_lin_3ac6363747f45b4/rd-agent-di-liu-jiang-ci-yu-zhu-ce-shi-yan-de-wan-zheng-sheng-ming-zhou-qi-liang-fen-pan-jue-shu-3heo</guid>
      <description>&lt;h1&gt;
  
  
  第六讲 · 一次预注册实验的完整生命周期：两份判决书
&lt;/h1&gt;

&lt;blockquote&gt;
&lt;p&gt;第二章 · 诚实的验证（第三讲，本章收尾）&lt;br&gt;
学习目标：跟踪两个真实假设从立项到判决的全过程，掌握预注册实验的操作细节与三种判决的分界。&lt;br&gt;
前置：第四、五讲。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;h2&gt;
  
  
  1. 为什么选这两个案例
&lt;/h2&gt;

&lt;p&gt;第五讲的全 FAIL 是"批量候选"的结局；本讲看&lt;strong&gt;单个假设的完整生命周期&lt;/strong&gt;——人提出想法、写成预注册、走完验证、拿到判决、执行判决后果。两个案例一个 REJECTED、一个 INCONCLUSIVE，正好覆盖"否决后怎么办"和"证据不足时怎么办"这两个最难的操作。（SUPPORTED 的案例留给第四章，避免结构上"大团圆"得太早。）&lt;/p&gt;

&lt;h2&gt;
  
  
  2. 案例一：业绩预告事件窗 —— REJECTED
&lt;/h2&gt;

&lt;h3&gt;
  
  
  2.1 假设
&lt;/h3&gt;

&lt;p&gt;A 股业绩预告披露前后存在可交易的定价偏差窗口：预告超预期的股票在事件后若干日仍有漂移（盈余公告后漂移，PEAD 的预告版）。数据基础：业绩预告数据（forecast）+ 曾用名变更（namechange）面板。&lt;/p&gt;

&lt;h3&gt;
  
  
  2.2 预注册要点
&lt;/h3&gt;

&lt;p&gt;判决前锁定的要素（节选）：事件窗定义、对照组构造、OOS 窗口、价差门槛（方向 + 量级 + 显著性）、以及三种判决的边界。&lt;strong&gt;在触碰任何 OOS 数据之前完成存档。&lt;/strong&gt;&lt;/p&gt;

&lt;h3&gt;
  
  
  2.3 判决
&lt;/h3&gt;

&lt;blockquote&gt;
&lt;p&gt;&lt;strong&gt;OOS 价差 −0.49%，方向反。REJECTED，一次判定。&lt;/strong&gt;&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;发现期（IS 段）同样没有可用的正价差——这个细节很重要：它不是"发现期有效、样本外翻车"的经典过拟合形态，而是&lt;strong&gt;从头到尾就不存在&lt;/strong&gt;。假设本身错了，不是数据 unlucky。&lt;/p&gt;

&lt;h3&gt;
  
  
  2.4 判决的执行——最见制度成色的部分
&lt;/h3&gt;

&lt;p&gt;REJECTED 落地后发生了三件事，每件都值得讲：&lt;/p&gt;

&lt;ol&gt;
&lt;li&gt;
&lt;strong&gt;假设族封禁&lt;/strong&gt;：事件窗这一族假设进入"禁止复测"清单——不允许换个窗口定义、换个对照构造再申请一次 OOS。同一 OOS 窗口是消耗品，已经在这件事上花掉了。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;数据资产保留&lt;/strong&gt;：forecast + namechange 面板入库为可复用资产。&lt;strong&gt;否决的是假设，不是数据&lt;/strong&gt;——数据没有立场，以后别的假设还能用。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;衍生观察降级&lt;/strong&gt;：过程中注意到"预告后反转"的苗头，但因未预注册、且属假设族内变体，标记为 hypothesis-generating（仅产生假设，不构成证据），&lt;strong&gt;禁止直接进入下一轮验证&lt;/strong&gt;。想追，先写新预注册。&lt;/li&gt;
&lt;/ol&gt;

&lt;p&gt;第 3 条最微妙，也最常被破坏："我在验证 A 的时候顺便看见 B 好像行"——这个"看见"本身已经消耗了数据的一次查看权。制度上的正确处理不是假装没看见，而是把它降级为假设、重新走全流程。顺便看见的东西不是证据，是线索。&lt;/p&gt;

&lt;h2&gt;
  
  
  3. 案例二：指数调样流 —— INCONCLUSIVE
&lt;/h2&gt;

&lt;h3&gt;
  
  
  3.1 假设
&lt;/h3&gt;

&lt;p&gt;指数定期调样时，被动资金按公告名单集中买卖，造成可预测的短期价格压力（调样公告日到生效日之间的流入/流出流）。这是文献中有先例的现象（index rebalancing effect），先验等级比 AI 生成的叠加因子高一档（第三讲的结论二在此适用）。&lt;/p&gt;

&lt;h3&gt;
  
  
  3.2 流程与装配验证
&lt;/h3&gt;

&lt;p&gt;这个案例多了一个真实工程环节：&lt;strong&gt;装配检验&lt;/strong&gt;。调样流策略的输入是"公告名单 → 被动规模估算 → 流向符号"的拼装管线，任何一环错位（日期、方向、权重）都会无声地产出垃圾。装配管线先做了 PASS 检验（拼装结果与公告原文抽样比对），然后才进预注册。&lt;strong&gt;先验证数据管道，再验证策略假设&lt;/strong&gt;——顺序不可反。&lt;/p&gt;

&lt;h3&gt;
  
  
  3.3 判决
&lt;/h3&gt;

&lt;blockquote&gt;
&lt;p&gt;发现期 +0.95%；OOS &lt;strong&gt;+1.00%，p = 0.062。INCONCLUSIVE——功效不足，冻结。&lt;/strong&gt;&lt;/p&gt;
&lt;/blockquote&gt;

&lt;h3&gt;
  
  
  3.4 INCONCLUSIVE 的正确处理（比 REJECTED 难）
&lt;/h3&gt;

&lt;p&gt;REJECTED 痛快，INCONCLUSIVE 折磨人——差 0.038 的 p 值，人性 screaming"再试一次"。制度规定：&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;
&lt;strong&gt;冻结，不许换口径重测&lt;/strong&gt;：把窗口延长一年、换个统计检验、剔除某个月——每一个都是"看完结果再调规则"，正是第四讲锁死的研究者自由度&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;不许宣布"基本有效"&lt;/strong&gt;：对外口径只有三个词，INCONCLUSIVE 意味着不能写进任何汇报的"有效策略"栏&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;唯一的两条出路&lt;/strong&gt;：等新的前向数据积累（时间换功效），或写&lt;strong&gt;新预注册&lt;/strong&gt;走前向轮（在下一轮真实调样发生前登记好门槛，用尚未发生的数据判定）&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;案例的实际处置：OOS 冻结，后续按前向路线重新预注册（2026-12 的调样轮在前向监控覆盖范围内）。&lt;strong&gt;"等"也是判决的一部分&lt;/strong&gt;——接受"这个问题现在无法回答"，是多检验纪律里最反人性也最省钱的一条。&lt;/p&gt;

&lt;h2&gt;
  
  
  4. 三种判决的决策树（本章收束）
&lt;/h2&gt;

&lt;p&gt;把第四讲到本讲的全部案例叠成一张裁决速查：&lt;br&gt;
&lt;/p&gt;

&lt;div class="highlight js-code-highlight"&gt;
&lt;pre class="highlight plaintext"&gt;&lt;code&gt;预注册验证结果
├─ 过全部门槛（DSR/副判据/分年/净费/正交）
│    → SUPPORTED → 影子监控 30 天（第四章）→ 部署决策
├─ 方向反 / 分年结构违规 / 正交后无残差
│    → REJECTED → 假设族封禁，数据保留，衍生观察降级
└─ 方向对但功效不足（p 略高、窗口短）
     → INCONCLUSIVE → 冻结：等前向数据 or 新预注册前向轮
                          （禁止：改门槛、改口径、原窗重测）
&lt;/code&gt;&lt;/pre&gt;

&lt;/div&gt;



&lt;p&gt;注意树里没有一条边通往"差不多就先小仓位上"。&lt;strong&gt;仓位不是验证的替代品&lt;/strong&gt;——用真钱试探一个未判决的假设，等于用最大的成本做一次不可复现的实验。&lt;/p&gt;

&lt;h2&gt;
  
  
  5. 第二章总结
&lt;/h2&gt;

&lt;ul&gt;
&lt;li&gt;独立验证 = 制度而非算力：预注册锁死自由度，DSR 校正选拔基数，OOS 一次性判定&lt;/li&gt;
&lt;li&gt;批量候选的结局（第五讲）：四层审计栈全灭，AI 工厂的合格产出是候选假设流&lt;/li&gt;
&lt;li&gt;单假设的结局（本讲）：REJECTED 封族留数据、INCONCLUSIVE 冻结等前向——判决的价值在执行&lt;/li&gt;
&lt;li&gt;唯一活下来的案例年化只有 2.37%：真 alpha 又小又难看；假 alpha 又大又合理&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;第二章证明了"诚实的验证"是可制度化执行的。第三章转向它的地基：&lt;strong&gt;当数据本身有问题时，再严格的验证也会被静默污染&lt;/strong&gt;——双重复权、基准伪影、日期戳错位，五个真实的数据暗雷。&lt;/p&gt;

</description>
      <category>agents</category>
      <category>ai</category>
      <category>data</category>
      <category>machinelearning</category>
    </item>
    <item>
      <title>RD-AGENT 第五讲 · 三候选 DSR 全 FAIL 复盘：超额从哪来，又到哪去了</title>
      <dc:creator>Henry Lin</dc:creator>
      <pubDate>Wed, 14 Oct 2026 05:05:40 +0000</pubDate>
      <link>https://dev.to/henry_lin_3ac6363747f45b4/rd-agent-di-wu-jiang-san-hou-xuan-dsr-quan-fail-fu-pan-chao-e-cong-na-lai-you-dao-na-qu-liao-37al</link>
      <guid>https://dev.to/henry_lin_3ac6363747f45b4/rd-agent-di-wu-jiang-san-hou-xuan-dsr-quan-fail-fu-pan-chao-e-cong-na-lai-you-dao-na-qu-liao-37al</guid>
      <description>&lt;h1&gt;
  
  
  第五讲 · 三候选 DSR 全 FAIL 复盘：超额从哪来，又到哪去了
&lt;/h1&gt;

&lt;blockquote&gt;
&lt;p&gt;第二章 · 诚实的验证（第二讲）&lt;br&gt;
学习目标：通过 A 股战役的完整复盘，看懂"排行榜很好看 → 独立验证全灭"的具体机制。&lt;br&gt;
前置：第四讲。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;h2&gt;
  
  
  1. 案例背景
&lt;/h2&gt;

&lt;p&gt;A 股战役（2026-09-18~22）结束后，从 290 个因子的排行榜里，按预注册流程选出三个头部候选，送入独立验证管线。判定结果：&lt;/p&gt;

&lt;blockquote&gt;
&lt;p&gt;&lt;strong&gt;三候选 DSR 全部 FAIL。&lt;/strong&gt;&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;这一讲的任务是把"全 FAIL"三个字拆开：每个候选的超额看起来从哪来、实际从哪来、验证时死在哪一刀下。&lt;/p&gt;

&lt;h2&gt;
  
  
  2. 第一刀：DSR——你试了多少次，就要还多少债
&lt;/h2&gt;

&lt;p&gt;回顾第四讲：DSR 对 Sharpe 按试验次数 N 做校正。三个候选来自 290 个因子的排行榜头部，N 不是 3，是 &lt;strong&gt;290&lt;/strong&gt;（严格说还要算上每个因子的多次评估——第二讲看过，&lt;code&gt;momentum_20d&lt;/code&gt; 一个因子就有 23 次评估，全池评估总次数以千计）。&lt;/p&gt;

&lt;p&gt;直觉计算：即便候选的原始 Sharpe 在"单次检验"意义下显著，经过千次级别的试验基数校正后，所需门槛被推高到常规数字几乎不可能达到的水平。&lt;strong&gt;这不是门槛苛刻，是事实如此&lt;/strong&gt;——你在千次抛硬币里挑出的最好结果，本来就不该按单次抛硬币的标准评价。&lt;/p&gt;

&lt;p&gt;三个候选全部倒在这一关。注意这一刀的&lt;em&gt;kill 逻辑&lt;/em&gt;：它不是说"这三个因子必然无效"，而是说"&lt;strong&gt;从千次选拔里胜出的这三个，其成绩不足以证明自己不是运气&lt;/strong&gt;"。证据不足，按无罪推定的反面处理：不予采信。&lt;/p&gt;

&lt;h2&gt;
  
  
  3. 第二刀：归因分解——超额是 alpha 还是风格 beta
&lt;/h2&gt;

&lt;p&gt;验证管线对候选做的第二件事：正交化检验（对已知风格因子回归，看残差）。战役中的组合级归因结果更极端：&lt;/p&gt;

&lt;blockquote&gt;
&lt;p&gt;等权合成组合 OOS IC 0.043，看似有效；但对&lt;strong&gt;行业 + 低波 + 流动性&lt;/strong&gt;三个已知风格做正交后，&lt;strong&gt;92% 的收益被解释掉&lt;/strong&gt;，残差 alpha 的 t 值 = &lt;strong&gt;0.14&lt;/strong&gt;。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;翻译成人话：这个"AI 因子组合"赚的钱，九成二可以由"买了一堆低波动、高流动性股票、行业分布偏斜"复现——这三样都是几十年前就知道的东西，不需要 AI 一晚上算几百个因子。真正的残差部分，t=0.14，统计上就是零。&lt;/p&gt;

&lt;p&gt;这是排行榜最惯用的魔术：&lt;strong&gt;把风格 beta 包装成 alpha 卖给你&lt;/strong&gt;。排行榜不管你赚的是不是新钱——超额收益一列不区分"发现了别人不知道的东西"和"重仓了一个已知风格"。而后者你直接买低波 ETF 就有，不需要付因子挖掘的成本。&lt;/p&gt;

&lt;h2&gt;
  
  
  4. 第三刀：换手与成本——毛收益买不回净收益
&lt;/h2&gt;

&lt;p&gt;第三讲埋过线：33 个版本的动量类因子是换手重灾区。验证管线在净费口径下复算：头部候选的换手率水平（战役实测约 40%+ 双边/调仓期）叠加 A 股交易成本后，毛超额被侵蚀到净口径不再显著。&lt;/p&gt;

&lt;p&gt;排行榜展示的是毛收益或半净口径（第二讲的"三个必问"之二）。工厂没有动机展示净数字——它不知道你的费率，更因为净数字会让排行榜难看。&lt;/p&gt;

&lt;h2&gt;
  
  
  5. 最深的一刀：基准伪影（预告第八讲）
&lt;/h2&gt;

&lt;p&gt;三候选验证期间还发现了一个更基础的问题：&lt;strong&gt;基准本身有口径缺陷&lt;/strong&gt;（沪深 300 口径下剔除了涨停股），导致"超额"中有一块是基准定义制造的伪影。换成诚实口径重算后，双周 top200 组合&lt;strong&gt;没有任何超额&lt;/strong&gt;。&lt;/p&gt;

&lt;p&gt;这个发现的震撼在于它的层级：它不在"因子好不好"这一层，而在"超额这个量本身可不可信"这一层。因子验证做得再严格，基准错了，全部结论的地基就错了。完整展开留给第八讲——这里只需要记住教训的形状：&lt;strong&gt;验证要向下问到数据的地基，而不是停在因子这一层。&lt;/strong&gt;&lt;/p&gt;

&lt;h2&gt;
  
  
  6. 复盘：四刀的层级结构
&lt;/h2&gt;

&lt;p&gt;把四刀叠起来看，它们其实是一个自下而上的审计栈：&lt;br&gt;
&lt;/p&gt;

&lt;div class="highlight js-code-highlight"&gt;
&lt;pre class="highlight plaintext"&gt;&lt;code&gt;第 4 层  统计充分性   DSR / 多重检验校正     —— 成绩配得上选拔基数吗
第 3 层  收益来源     正交化 / 归因分解      —— 是新钱还是旧 beta
第 2 层  可实现性     换手 × 成本敏感性      —— 净费后还在吗
第 1 层  数据地基     基准口径 / 面板构建    —— 量本身可不可信
&lt;/code&gt;&lt;/pre&gt;

&lt;/div&gt;



&lt;p&gt;工厂的排行榜只在第 4 层之下活动，而且只做了一半（没有校正）。独立验证的价值就是把这个栈走完——三候选在四层上各挨了一刀，没有一个是"因子逻辑本身被证伪"，全部是&lt;strong&gt;证据与口径不合格&lt;/strong&gt;。这正是第四讲那句话的实例：验证判的是"是不是真的"，不是"有多好"。&lt;/p&gt;

&lt;h2&gt;
  
  
  7. 军心稳定问题：全 FAIL 之后怎么办
&lt;/h2&gt;

&lt;p&gt;全灭之后自然的情绪反应有两种，都要抵制：&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;
&lt;strong&gt;"验证太苛刻，放宽门槛"&lt;/strong&gt;——门槛放松 = 重新引入多重检验，全 FAIL 的结论本来就是"证据不足"，放宽标准不会让证据变足，只会让假阳性进门。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;"AI 挖因子没用，弃了"&lt;/strong&gt;——过度结论。正确读法：AI 工厂的价值主张需要重述。它的合格产出不是"可直接上线的因子"，而是"低成本生成的候选假设流"。&lt;strong&gt;从候选流到可部署策略之间，隔着一整条验证管线&lt;/strong&gt;——这条管线以前也存在（人类研究员的 peer review + 实盘小仓试错），只是没人把它当成生产环节的一部分来正式建设。&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;战役的实际决策是第三条路：保留工厂、正式建设验证制度、把"诚实口径下零超额"如实记档——然后转向。转向后的第一个预注册实验（第六讲）和唯一存活的策略（第四章），都诞生在这套制度建立之后。&lt;/p&gt;

&lt;h2&gt;
  
  
  8. 本讲小结
&lt;/h2&gt;

&lt;ul&gt;
&lt;li&gt;三候选死因四层级：DSR（千次选拔基数）、风格 beta 冒充 alpha（92% 被解释，残差 t=0.14）、净费侵蚀、基准伪影&lt;/li&gt;
&lt;li&gt;排行榜的魔术：不区分新钱与旧 beta、展示毛收益、不做选拔校正&lt;/li&gt;
&lt;li&gt;全 FAIL 的正确解读：AI 工厂的产出单位是"候选假设流"，不是"可上线因子"&lt;/li&gt;
&lt;li&gt;审计栈四层：统计充分性 → 收益来源 → 可实现性 → 数据地基，缺一层都可能漏杀&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;&lt;strong&gt;思考题&lt;/strong&gt;：假如某候选通过了 DSR 和正交化，但净费后超额恰好为零（毛超额 = 成本）。你会判 SUPPORTED、REJECTED 还是 INCONCLUSIVE？给出理由。（没有标准答案——真实战役的裁决是按预注册里的门槛表逐项对照，想清楚"你的门槛表里有没有这一格"才是本题考点。）&lt;/p&gt;

</description>
      <category>algorithms</category>
      <category>data</category>
      <category>datascience</category>
      <category>machinelearning</category>
    </item>
    <item>
      <title>RD-AGENT 第四讲 · 为什么需要独立验证：预注册与验证管线</title>
      <dc:creator>Henry Lin</dc:creator>
      <pubDate>Wed, 14 Oct 2026 05:05:14 +0000</pubDate>
      <link>https://dev.to/henry_lin_3ac6363747f45b4/rd-agent-di-si-jiang-wei-shi-yao-xu-yao-du-li-yan-zheng-yu-zhu-ce-yu-yan-zheng-guan-xian-118g</link>
      <guid>https://dev.to/henry_lin_3ac6363747f45b4/rd-agent-di-si-jiang-wei-shi-yao-xu-yao-du-li-yan-zheng-yu-zhu-ce-yu-yan-zheng-guan-xian-118g</guid>
      <description>&lt;h1&gt;
  
  
  第四讲 · 为什么需要独立验证：预注册与验证管线
&lt;/h1&gt;

&lt;blockquote&gt;
&lt;p&gt;第二章 · 诚实的验证（第一讲）&lt;br&gt;
学习目标：理解"工厂自报成绩"与"独立验证"的制度差异；掌握预注册、DSR、样本外一次性判定等核心概念。&lt;br&gt;
前置：第一章（尤其第二讲的"三个必问"）。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;h2&gt;
  
  
  1. 从一个问题开始
&lt;/h2&gt;

&lt;p&gt;第一章末尾留了一个数字：290 个因子，自报超额最高 +26.5%，独立验证零存活。这一讲回答：&lt;strong&gt;"独立验证"到底独立在哪，凭什么它的结论比工厂的数字更可信？&lt;/strong&gt;&lt;/p&gt;

&lt;p&gt;先看一个对照。工厂回测和独立验证做的是相似的事——都是拿历史数据算因子收益。差别不在算力、不在代码质量，在&lt;strong&gt;制度&lt;/strong&gt;：&lt;/p&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;维度&lt;/th&gt;
&lt;th&gt;工厂内置回测&lt;/th&gt;
&lt;th&gt;独立验证管线&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;数据&lt;/td&gt;
&lt;td&gt;战役面板（同一份）&lt;/td&gt;
&lt;td&gt;独立拉取、独立清洗的复算面板&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;规则&lt;/td&gt;
&lt;td&gt;可以边看结果边调（循环天然如此）&lt;/td&gt;
&lt;td&gt;
&lt;strong&gt;预注册&lt;/strong&gt;：判定规则先写死、先存档&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;判定&lt;/td&gt;
&lt;td&gt;排行榜排个序，没有门槛&lt;/td&gt;
&lt;td&gt;
&lt;strong&gt;一次性判定&lt;/strong&gt;：门槛预注册，触发即终审&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;对象&lt;/td&gt;
&lt;td&gt;每个因子都出数字&lt;/td&gt;
&lt;td&gt;只验证通过初筛的极少数候选&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;结论性质&lt;/td&gt;
&lt;td&gt;描述性的（"它收益多少"）&lt;/td&gt;
&lt;td&gt;判决性的（"拒绝/不可判定/支持"）&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;

&lt;p&gt;一句话：工厂回测回答"&lt;strong&gt;如果用它会怎样&lt;/strong&gt;"，独立验证回答"&lt;strong&gt;它是不是真的&lt;/strong&gt;"。前者是描述，后者是统计判决。&lt;/p&gt;

&lt;h2&gt;
  
  
  2. 多重检验：为什么"边看边调"必然产出假阳性
&lt;/h2&gt;

&lt;p&gt;这是全部验证科学的第一性原理，值得慢慢讲透。&lt;/p&gt;

&lt;p&gt;设 290 个因子全部是纯噪声（与未来收益零相关）。每个因子在 5% 显著性水平下做检验，期望产出 290 × 0.05 ≈ &lt;strong&gt;14.5 个"显著有效"&lt;/strong&gt;。这 14.5 个因子在排行榜上与真因子&lt;strong&gt;长得一模一样&lt;/strong&gt;——显著性不会在你脸上写"我是运气"。&lt;/p&gt;

&lt;p&gt;人手动做研究时这个问题就存在（学术界管它叫 p-hacking 的温床）；LLM 循环把基数放大了两个数量级，把成本降到了零——于是多重检验从"需要警惕的偏差"升级成"系统的主导性失效模式"。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;对付它的唯一制度化手段是预注册（pre-registration）&lt;/strong&gt;：&lt;/p&gt;

&lt;ol&gt;
&lt;li&gt;
&lt;strong&gt;在看数据之前&lt;/strong&gt;，把以下内容写成文档并存档：候选因子清单、验证用的数据窗口、判定门槛、统计口径、以及"如果不可判定怎么办"&lt;/li&gt;
&lt;li&gt;验证时严格按存档执行，&lt;strong&gt;禁止事后调整任何规则&lt;/strong&gt;
&lt;/li&gt;
&lt;li&gt;规则改动 = 实验 identity 改变 = 必须整个重跑，旧结论作废&lt;/li&gt;
&lt;/ol&gt;

&lt;p&gt;预注册的本质不是仪式感，是把&lt;strong&gt;研究者的自由度（researcher degrees of freedom）在结果出来之前锁死&lt;/strong&gt;。你在第二讲见过的"参数可调的叠加因子"是在因子内部消耗自由度；"看完结果再决定用什么基准、什么窗口、什么门槛"是在验证环节消耗自由度——后者更隐蔽，杀伤力更大。&lt;/p&gt;

&lt;h2&gt;
  
  
  3. 验证管线的四个构件
&lt;/h2&gt;

&lt;p&gt;以本课程配套的真实管线为例（AIResearchPlatform，与工厂分仓、独立拉数）：&lt;/p&gt;

&lt;h3&gt;
  
  
  构件一：独立数据复算
&lt;/h3&gt;

&lt;p&gt;验证面板不从战役面板拷贝，而是从数据源独立拉取重算。原因直接来自实战：carry 因子 +18% 的双重复权 bug 藏在战役面板的构建代码里——如果验证直接消费这份面板，bug 会被原样继承，纠错永远不会发生。（口径问题的专题在第三章。）&lt;/p&gt;

&lt;h3&gt;
  
  
  构件二：预注册门槛
&lt;/h3&gt;

&lt;p&gt;真实战役用到的门槛示例（写入预注册文档后才允许接触 OOS 数据）：&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;
&lt;strong&gt;DSR（Deflated Sharpe Ratio）&lt;/strong&gt;：对 Sharpe 做多重检验校正——你试了 N 个策略，显著性门槛就要相应抬高。N 越大，门槛越高，头名越难过线&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;主副裁判&lt;/strong&gt;：主判据之外设一个口径不同的副判据（如价格口径 vs 资金费率口径），两者不一致时不得判"支持"&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;分年度约束&lt;/strong&gt;：不允许"全部收益来自某一年"的结构——单年贡献超过上限即否决，防止把一段行情当成了规律&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;正交化对手&lt;/strong&gt;：候选必须对已知风格因子（动量、价值、低波、流动性）做正交后仍有残差 alpha；被已有因子解释掉的部分不算新发现&lt;/li&gt;
&lt;/ul&gt;

&lt;h3&gt;
  
  
  构件三：样本外一次性判定（OOS 一次性）
&lt;/h3&gt;

&lt;p&gt;样本外数据是&lt;strong&gt;消耗品&lt;/strong&gt;：每用一次就被污染一次。规范是一段 OOS 窗口只允许做一次判定——&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;判 SUPPORTED：进入下一阶段（影子监控，第四章）&lt;/li&gt;
&lt;li&gt;判 REJECTED：结论存档，该假设族进入"禁止复测"清单（防止换个马甲再试一次 OOS）&lt;/li&gt;
&lt;li&gt;判 INCONCLUSIVE（如功效不足）：冻结，只能等新的前向数据或新预注册，&lt;strong&gt;不允许降低门槛重试&lt;/strong&gt;
&lt;/li&gt;
&lt;/ul&gt;

&lt;h3&gt;
  
  
  构件四：留痕与可复现
&lt;/h3&gt;

&lt;p&gt;验证报告落盘存档（数据指纹、代码版本、门槛数值），任何人任何时刻可复算。这不仅是科学规范，也是给自己未来的保险——第九讲会讲到，多个重大勘误（包括 +18% 假 carry）正是因为"历史结论可以复算"才被发现和纠正的。&lt;/p&gt;

&lt;h2&gt;
  
  
  4. 一次性判定的三份真实判决书
&lt;/h2&gt;

&lt;p&gt;这套制度产出的三种结局，每种都有真实案例，构成接下来两讲的内容：&lt;/p&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;判决&lt;/th&gt;
&lt;th&gt;案例&lt;/th&gt;
&lt;th&gt;数字&lt;/th&gt;
&lt;th&gt;讲次&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;REJECTED&lt;/td&gt;
&lt;td&gt;业绩预告事件窗&lt;/td&gt;
&lt;td&gt;OOS 价差 &lt;strong&gt;−0.49%&lt;/strong&gt;（方向反），发现期亦无效&lt;/td&gt;
&lt;td&gt;第六讲&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;INCONCLUSIVE&lt;/td&gt;
&lt;td&gt;指数调样流&lt;/td&gt;
&lt;td&gt;OOS &lt;strong&gt;+1.00%&lt;/strong&gt;，p=0.062——功效不足，冻结&lt;/td&gt;
&lt;td&gt;第六讲&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;SUPPORTED&lt;/td&gt;
&lt;td&gt;crypto funding carry&lt;/td&gt;
&lt;td&gt;OOS &lt;strong&gt;+2.37%/年&lt;/strong&gt;，p&amp;lt;0.0001，八项子检验全过&lt;/td&gt;
&lt;td&gt;第四章&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;

&lt;p&gt;注意三个数字的相对量级：&lt;strong&gt;唯一活下来的策略，年化 2.37%&lt;/strong&gt;；而被否决的两个，发现期的数字都远比它耀眼。真 alpha 又小又难看，假 alpha 又大又合理——这不是巧合，是这个行业的结构特征，后面每一讲都会回到这一点。&lt;/p&gt;

&lt;h2&gt;
  
  
  5. 本讲小结
&lt;/h2&gt;

&lt;ul&gt;
&lt;li&gt;工厂回测是描述，独立验证是判决；差别在制度不在算力&lt;/li&gt;
&lt;li&gt;多重检验是循环挖掘的主导性失效模式，预注册是唯一的制度化解药&lt;/li&gt;
&lt;li&gt;管线四构件：独立数据、预注册门槛（DSR/主副裁判/分年度/正交化对手）、OOS 一次性判定、留痕可复现&lt;/li&gt;
&lt;li&gt;三种判决各有真实案例：REJECTED（−0.49%）、INCONCLUSIVE（+1.00%, p=0.062）、SUPPORTED（+2.37%/年）&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;&lt;strong&gt;思考题&lt;/strong&gt;：你的同事说"DSR 门槛太严了，我们 290 个因子里一个都过不了，不如放宽到 10% 显著性水平"。请指出这段话里两处逻辑错误。（提示：门槛的功能是控制什么？改门槛等于做了什么？）&lt;/p&gt;

</description>
      <category>agents</category>
      <category>ai</category>
      <category>machinelearning</category>
      <category>tutorial</category>
    </item>
    <item>
      <title>RD-AGENT 第三讲 · LLM 写的因子长什么样：AI 的研究品味</title>
      <dc:creator>Henry Lin</dc:creator>
      <pubDate>Wed, 14 Oct 2026 02:33:12 +0000</pubDate>
      <link>https://dev.to/henry_lin_3ac6363747f45b4/rd-agent-di-san-jiang-llm-xie-de-yin-zi-chang-shi-yao-yang-ai-de-yan-jiu-pin-wei-1gj3</link>
      <guid>https://dev.to/henry_lin_3ac6363747f45b4/rd-agent-di-san-jiang-llm-xie-de-yin-zi-chang-shi-yao-yang-ai-de-yan-jiu-pin-wei-1gj3</guid>
      <description>&lt;h1&gt;
  
  
  第三讲 · LLM 写的因子长什么样：AI 的研究品味
&lt;/h1&gt;

&lt;blockquote&gt;
&lt;p&gt;第一章第三讲（本章收尾）&lt;br&gt;
学习目标：通过真实案例建立对 LLM 因子假设质量的判断力；识别"伪逻辑假设"的特征；理解代码质量与逻辑质量的不对称。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;h2&gt;
  
  
  1. 开场
&lt;/h2&gt;

&lt;p&gt;前两讲我们隔着玻璃看工厂：循环怎么转（第一讲）、成绩单怎么读（第二讲）。这一讲开门进去，把 AI 写的因子摆上解剖台。材料全部来自真实战役产出（A 股 290 因子池、期货两轮、crypto 两轮）。&lt;/p&gt;

&lt;p&gt;先给本章的总结论，然后逐类验证它：&lt;/p&gt;

&lt;blockquote&gt;
&lt;p&gt;&lt;strong&gt;AI 的代码比它的金融直觉诚实得多。&lt;/strong&gt; 代码 bug 是显性的——跑不通就报错，反馈即时；逻辑空洞是隐性的——假设再空，回测照样吐出一个数字，而这个数字还会进入排行榜参与选拔。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;h2&gt;
  
  
  2. 案例一：像样的——但要看清"像样"的来源
&lt;/h2&gt;

&lt;p&gt;期货面板上真正有产业逻辑的因子，集中在人给的两列特有数据上：&lt;strong&gt;基差（期现价差）&lt;/strong&gt; 和 &lt;strong&gt;持仓量&lt;/strong&gt;。例如基于期限结构的假设：深度贴水（远月大幅低于近月）通常反映交割压力或悲观预期，构造基差 z-score 做均值回复或方向暴露。&lt;/p&gt;

&lt;p&gt;这类因子值得肯定——但请注意它的产出方式：&lt;strong&gt;数据边界是人画的&lt;/strong&gt;。人把 &lt;code&gt;$basis&lt;/code&gt;、&lt;code&gt;$oi&lt;/code&gt; 放进面板，AI 才有素材往这个方向想；没有这些列，它的假设空间就退化为纯量价。这个现象在三轮战役里反复出现：AI 提出的"最有金融味道"的假设，几乎总是在人准备好的特色数据附近打转。&lt;/p&gt;

&lt;blockquote&gt;
&lt;p&gt;结论一：AI 的研究品味上限，由数据面板的质量决定。它做的是"在给定素材空间内的高效搜索"，不是"开辟新的素材空间"。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;h2&gt;
  
  
  2.1 一个必须讲的反面注脚：carry 因子的 +18% 是假的
&lt;/h2&gt;

&lt;p&gt;基差/期限结构方向上，工厂曾产出一个发现期年化 &lt;strong&gt;+18%&lt;/strong&gt; 的 carry 策略——是全部战役中最亮眼的数字。后来审计发现这是&lt;strong&gt;双重复权 bug&lt;/strong&gt;：面板构建时收益在换月处被扣减了两次。纠错后重算：&lt;strong&gt;+3.18%，t=0.66，不显著&lt;/strong&gt;。&lt;/p&gt;

&lt;p&gt;一个数字从"接近可部署"到"统计噪声"，中间只隔一次口径审计。这个故事第九讲整讲展开（期货面板五坑），这里先立一块碑：&lt;/p&gt;

&lt;blockquote&gt;
&lt;p&gt;&lt;strong&gt;在数据口径被验证之前，最像真的数字往往是最危险的数字。&lt;/strong&gt; +18% 之所以差点骗过所有人，恰恰因为它"看起来太合理了"——期限结构carry 本来就该有收益，bug 放大的数字落在了预期之内。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;h2&gt;
  
  
  3. 案例二：平庸的——伪逻辑的识别
&lt;/h2&gt;

&lt;p&gt;排行榜中段大量存在这一类。以 &lt;code&gt;turn_of_month_rank&lt;/code&gt;（换月效应）和 &lt;code&gt;overlay_reversal_liquidity&lt;/code&gt;（反转×流动性叠加）为代表——自报超额 +26.5% 和 +14.9%。&lt;/p&gt;

&lt;p&gt;伪逻辑假设的三个特征，用反转×流动性叠加举例：&lt;/p&gt;

&lt;ol&gt;
&lt;li&gt;
&lt;strong&gt;自由度过高&lt;/strong&gt;：两个已知现象（短期反转、流动性溢价）相乘或取交集，参数（回看窗口、过滤阈值、分位边界）全是可调的。参数空间越大，回测越容易找到好看的一格。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;故事讲得好但机制模糊&lt;/strong&gt;："流动性差的票反转更强，因为套利资金进不去"——听起来合理，但它同时解释得了相反的结果（"流动性差的票动量更强，因为信息扩散慢"）。&lt;strong&gt;能解释任何结果的机制，等于没有机制。&lt;/strong&gt;
&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;评估次数多&lt;/strong&gt;：&lt;code&gt;turn_of_month_rank&lt;/code&gt; 15 次评估、14 个版本——循环反复碰它，本身就是"数字靠多次尝试磨出来的"的信号（第二讲的 combos/versions 原则）。&lt;/li&gt;
&lt;/ol&gt;

&lt;p&gt;对照一个正例：crypto 两轮战役后经独立验证确认的真信号是 &lt;code&gt;vol_20d&lt;/code&gt;（波动率）和 &lt;code&gt;reversal_5d&lt;/code&gt;（5 日反转）——注意，这两个是&lt;strong&gt;文献里被反复验证过几十年的现象&lt;/strong&gt;。AI 循环绕了一大圈，最后活下来的还是教科书因子。这不是巧合：教科书因子经过了几十年、几十个市场、无数研究者的"多重检验"，而循环内新造的叠加因子只经过了排行榜这一次选拔。&lt;/p&gt;

&lt;blockquote&gt;
&lt;p&gt;结论二：对 LLM 生成的新颖组合因子，默认假设是"参数搜索的产物"；举证责任在因子一方。经受过跨市场、跨年代检验的经典现象，先验天然高一档。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;h2&gt;
  
  
  4. 案例三：翻车的——以及翻车之后发生了什么
&lt;/h2&gt;

&lt;p&gt;循环里的失败分两种，都有教学价值。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;跑不通型&lt;/strong&gt;：代码报错（对齐错误、缺列、边界溢出）。这一类 AI 处理得很好：读报错 → 定位 → 自动修复 → 重跑。工程上无可挑剔。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;隐性翻车型（危险得多）&lt;/strong&gt;：代码跑通、回测数字完美，但逻辑上用了未来数据（前视偏差）或口径错位。这一类工厂自身&lt;strong&gt;没有任何警报机制&lt;/strong&gt;——它和好因子在排行榜上长得一模一样，只能靠独立验证暴露。期货第一轮 136 个试验在预注册验证下全灭，其中一部分就属于这类：工厂口径的数字看不出问题，独立管线一复算就原形毕露。&lt;/p&gt;

&lt;p&gt;于是有本讲最重要的一条不对称性：&lt;/p&gt;

&lt;blockquote&gt;
&lt;p&gt;代码错误：显性、即时反馈、AI 能自修。&lt;br&gt;
逻辑错误：隐性、无反馈、AI 毫无察觉、人若不验也不知道。&lt;br&gt;
&lt;strong&gt;循环加速了第一种错误的消亡，同时加速了第二种错误的繁殖。&lt;/strong&gt;&lt;/p&gt;
&lt;/blockquote&gt;

&lt;h2&gt;
  
  
  5. 本章总结
&lt;/h2&gt;

&lt;p&gt;三章合起来，给"AI 因子工厂"一个诚实的画像：&lt;/p&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;维度&lt;/th&gt;
&lt;th&gt;评价&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;代码实现&lt;/td&gt;
&lt;td&gt;强。质量高、可自修、产出速度人无法比拟&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;假设生成&lt;/td&gt;
&lt;td&gt;中。在给定数据素材内高效搜索，经典现象的再发现可靠，新颖假设多为高自由度重组合&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;数据口径&lt;/td&gt;
&lt;td&gt;弱。双重复权、基准伪影这类问题 AI 完全无感&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;结果可信度&lt;/td&gt;
&lt;td&gt;无内置机制。排行榜是多重检验发生器，头名不可信&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;真正的瓶颈&lt;/td&gt;
&lt;td&gt;不是"AI 会不会想因子"，而是"人会不会验证"&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;

&lt;p&gt;290 个因子、自报超额最高 +26.5%、独立验证零存活——这就是第一章的终点，也是第二章的起点。下一章讲验证管线本身：预注册、DSR 门槛、主副裁判，看"全军覆没"这个结论是怎么被诚实且可复现地得出来的。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;思考题&lt;/strong&gt;：如果让你设计一个机制，让循环在生成阶段就自动过滤掉高自由度的伪逻辑假设，你会检查哪些特征？（提示：可调参数个数、假设能否被相反结果证伪、是否引用了特色数据列）&lt;/p&gt;

</description>
      <category>ai</category>
      <category>fintech</category>
      <category>llm</category>
      <category>machinelearning</category>
    </item>
    <item>
      <title>RD-AGENT 第二讲 · 看懂排行榜：IC、超额收益与因子版本</title>
      <dc:creator>Henry Lin</dc:creator>
      <pubDate>Fri, 09 Oct 2026 02:10:20 +0000</pubDate>
      <link>https://dev.to/henry_lin_3ac6363747f45b4/rd-agent-di-er-jiang-kan-dong-pai-xing-bang-ic-chao-e-shou-yi-yu-yin-zi-ban-ben-45hj</link>
      <guid>https://dev.to/henry_lin_3ac6363747f45b4/rd-agent-di-er-jiang-kan-dong-pai-xing-bang-ic-chao-e-shou-yi-yu-yin-zi-ban-ben-45hj</guid>
      <description>&lt;h1&gt;
  
  
  第二讲 · 看懂排行榜：IC、超额收益与因子版本
&lt;/h1&gt;

&lt;blockquote&gt;
&lt;p&gt;第一章第二讲&lt;br&gt;
学习目标：掌握排行榜四个核心指标的含义与陷阱；理解因子"组合/版本"结构；认清"自报成绩"的三个口径问题。&lt;br&gt;
本讲所有数字均为&lt;strong&gt;工厂自报口径&lt;/strong&gt;（工厂内置回测，未经独立验证）——这本身就是本讲的主题之一。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;h2&gt;
  
  
  1. 一张真实的排行榜
&lt;/h2&gt;

&lt;p&gt;A 股战役的因子排行榜，共 &lt;strong&gt;290 个因子&lt;/strong&gt;。按自报超额收益排序的头部：&lt;/p&gt;

&lt;div class="table-wrapper-paragraph"&gt;&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;因子&lt;/th&gt;
&lt;th&gt;类别&lt;/th&gt;
&lt;th&gt;自报超额&lt;/th&gt;
&lt;th&gt;评估次数(combos)&lt;/th&gt;
&lt;th&gt;代码版本(versions)&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;asset_growth_neg&lt;/td&gt;
&lt;td&gt;其他&lt;/td&gt;
&lt;td&gt;+26.5%&lt;/td&gt;
&lt;td&gt;4&lt;/td&gt;
&lt;td&gt;2&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;low_beta_rank&lt;/td&gt;
&lt;td&gt;其他&lt;/td&gt;
&lt;td&gt;+26.5%&lt;/td&gt;
&lt;td&gt;4&lt;/td&gt;
&lt;td&gt;2&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;turn_of_month_rank&lt;/td&gt;
&lt;td&gt;流动性&lt;/td&gt;
&lt;td&gt;+26.5%&lt;/td&gt;
&lt;td&gt;15&lt;/td&gt;
&lt;td&gt;14&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;low_volatility_rank&lt;/td&gt;
&lt;td&gt;波动率&lt;/td&gt;
&lt;td&gt;+20.8%&lt;/td&gt;
&lt;td&gt;2&lt;/td&gt;
&lt;td&gt;2&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;overlay_reversal_liquidity&lt;/td&gt;
&lt;td&gt;动量/反转&lt;/td&gt;
&lt;td&gt;+14.9%&lt;/td&gt;
&lt;td&gt;2&lt;/td&gt;
&lt;td&gt;1&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;ep_rank&lt;/td&gt;
&lt;td&gt;价值&lt;/td&gt;
&lt;td&gt;+14.7%&lt;/td&gt;
&lt;td&gt;22&lt;/td&gt;
&lt;td&gt;18&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;momentum_20d / reversal_5d&lt;/td&gt;
&lt;td&gt;动量/反转&lt;/td&gt;
&lt;td&gt;+14.7%&lt;/td&gt;
&lt;td&gt;23&lt;/td&gt;
&lt;td&gt;33&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;

&lt;p&gt;第一讲说过：&lt;strong&gt;这些数字一个都不能直接信&lt;/strong&gt;。但要拆穿它，得先能读懂它。&lt;/p&gt;

&lt;h2&gt;
  
  
  2. 四个指标：直觉与陷阱
&lt;/h2&gt;

&lt;h3&gt;
  
  
  IC（信息系数）
&lt;/h3&gt;

&lt;p&gt;因子值与未来收益的截面相关系数，逐日计算。&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;直觉：&lt;strong&gt;预测方向准不准&lt;/strong&gt;。IC=0.03 在 A 股已经是值得认真对待的水平。&lt;/li&gt;
&lt;li&gt;陷阱：平均 IC 可能被少数极端交易日撑起来——50 个交易日里 49 天接近 0、1 天 0.3，平均出来 0.006 之外还会给你一个漂亮的最大值。&lt;/li&gt;
&lt;/ul&gt;

&lt;h3&gt;
  
  
  Rank IC
&lt;/h3&gt;

&lt;p&gt;用秩相关（Spearman）替代 Pearson。&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;为什么量化界更爱它：对离群值稳健。一只票涨停 20% 和涨 10%，对秩来说都是"第一名"。&lt;/li&gt;
&lt;li&gt;实务习惯：看 Rank IC 的符号一致率（正的天数占比），比看均值更早暴露问题。&lt;/li&gt;
&lt;/ul&gt;

&lt;h3&gt;
  
  
  ICIR
&lt;/h3&gt;

&lt;p&gt;IC 的均值除以 IC 的标准差——&lt;strong&gt;预测的稳定性&lt;/strong&gt;。&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;直觉：IC 均值 0.05、ICIR 0.5 的因子，好于 IC 均值 0.08、ICIR 0.2 的。&lt;/li&gt;
&lt;li&gt;陷阱：ICIR 对换手率只字未提。一个每天全换仓的因子 ICIR 可以很好，但手续费吃光一切。&lt;/li&gt;
&lt;/ul&gt;

&lt;h3&gt;
  
  
  超额收益（excess return）
&lt;/h3&gt;

&lt;p&gt;相对基准的组合收益之差。直觉最直白，陷阱最多：&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;
&lt;strong&gt;基准是谁？&lt;/strong&gt; 同一因子换个基准，超额可以换符号。本战役期货用 23 品种等权指数；A 股战役曾用沪深 300——后来发现基准里剔除了涨停股，导致"超额"有相当部分是伪影（第八讲详述）。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;成本算了吗？&lt;/strong&gt; 工厂回测默认口径未必含真实手续费。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;怎么多空？&lt;/strong&gt; qlib 0.9.6 的回测器三层封死做空——工厂的多空数字实际来自一套向量化旁路计算，口径又换了一次。&lt;/li&gt;
&lt;/ul&gt;

&lt;h2&gt;
  
  
  3. 因子的"组合"与"版本"：为什么一个因子有十几条记录
&lt;/h2&gt;

&lt;p&gt;排行榜上 &lt;code&gt;momentum_20d&lt;/code&gt; 有 23 次评估、33 个代码版本。三层结构：&lt;/p&gt;

&lt;ul&gt;
&lt;li&gt;
&lt;strong&gt;因子名&lt;/strong&gt;：一个假设（"20 日动量"）&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;组合（combos）&lt;/strong&gt;：这个假设在不同时间窗/不同循环里被反复实现和评估的记录。23 次评估意味着循环在 23 个不同上下文里碰过它&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;版本（versions）&lt;/strong&gt;：代码迭代历史——AI 修过 bug、调过参数、换过实现方式&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;这里有一个排行榜不会明说、但本课程反复使用的概念：&lt;strong&gt;多重检验&lt;/strong&gt;。&lt;/p&gt;

&lt;blockquote&gt;
&lt;p&gt;循环碰了它 23 次，你看到的是 23 次里&lt;strong&gt;最好的一次&lt;/strong&gt;。抛 23 次硬币，出现一次连正不奇怪；测 23 次因子，出现一次好看的超额同样不奇怪。290 个因子、每个平均若干次评估——这张排行榜是一台&lt;strong&gt;多重检验发生器&lt;/strong&gt;。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;第二讲思考题的答案现在可以说了：循环跑 1000 轮，排行榜第一名会更&lt;strong&gt;不可信&lt;/strong&gt;——选拔基数越大，头名越可能是运气最好的噪声。这不是 AI 的问题，是人类研究员手动试 1000 个因子时同样会发生的问题；AI 只是把它加速了几十倍。&lt;/p&gt;

&lt;h2&gt;
  
  
  4. 自报成绩的三个"没告诉你"
&lt;/h2&gt;

&lt;ol&gt;
&lt;li&gt;
&lt;strong&gt;基准是谁&lt;/strong&gt;——超额是相对量，基准的每个口径决定（剔除规则、加权方式、可交易性假设）都会渗入超额。A 股战役的教训：基准剔涨停 → 做多侧天然避开涨停股 → "超额"里有一块是伪影。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;成本算了吗&lt;/strong&gt;——排行榜数字多为毛收益或半净口径。高换手因子（33 个版本的动量类是重灾区）净费后经常翻负。&lt;/li&gt;
&lt;li&gt;
&lt;strong&gt;测了几次&lt;/strong&gt;——如上节。数字好看的头名，先查它的 combos/versions 数：评估次数越多的因子，其最佳记录的运气成分上限越高。&lt;/li&gt;
&lt;/ol&gt;

&lt;p&gt;一个对照实验预告：这 290 个因子的排行榜头名，后来在独立验证管线里按预注册规则复测——&lt;strong&gt;没有一个活下来&lt;/strong&gt;（第五讲）。不是因子全军覆没，而是"排行榜排名"和"真有效性"之间的相关，远比直觉弱。&lt;/p&gt;

&lt;h2&gt;
  
  
  5. 本讲小结
&lt;/h2&gt;

&lt;ul&gt;
&lt;li&gt;IC 看方向、Rank IC 抗离群、ICIR 看稳定，三者都不含成本信息&lt;/li&gt;
&lt;li&gt;combos/versions 列是"被测了几次"的直接证据，读排行榜先读这两列&lt;/li&gt;
&lt;li&gt;排行榜是多重检验发生器：290 个因子的头名自报 +26.5%，独立验证后全军覆没&lt;/li&gt;
&lt;li&gt;三个必问：基准是谁、成本算了吗、测了几次&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;&lt;strong&gt;思考题&lt;/strong&gt;：如果你只能往排行榜加一列来防止自己被骗，加什么列？（本课程的选择：预注册判定结果——先想清楚再对照答案）&lt;/p&gt;

</description>
      <category>algorithms</category>
      <category>data</category>
      <category>machinelearning</category>
    </item>
  </channel>
</rss>
