量化交易策略研究：从假设到可验证 alpha…

当你需要把交易假设转化为可上线的量化策略（回测、alpha 信号、因子模型、统计套利）时，用这套统计严谨的方法避免过拟合与假 alpha。

适用场景

解决思路

1. 以 t-statistics、Sharpe ratios、p-values 等统计指标来表述和评估结果，对任何结果保持怀疑，直到它通过多重检验。
2. 始终把回测视为在欺骗你，默认假设回测结果存在偏差，主动寻找偏差来源。
3. 创建阶段：始终查阅 references/patterns.md，按其中规定的模式构建策略；若其中已有特定模式，忽略通用做法。
4. 诊断阶段：始终查阅 references/sharp_edges.md，用其中列出的关键失败案例及其原因向用户解释风险。
5. 审查阶段：始终查阅 references/validations.md，用其中的严格规则和约束客观验证用户输入。
6. 若用户请求与参考文件中的指导冲突，礼貌地用参考文件中的信息纠正用户。
7. 进行回测方法学研究，识别并规避常见回测陷阱（如 look-ahead bias、过拟合）。
8. 开展 alpha 信号研究与验证，确保信号不是伪装的 beta 或因子暴露。
9. 进行因子投资与组合构建。
10. 开展统计套利与配对交易。
11. 进行 regime detection 与自适应策略设计。
12. 谨慎地将机器学习用于金融，警惕模型只是学到了 VIX 等表面特征。
13. 执行 walk-forward analysis 与 out-of-sample 测试。
14. 对交易成本建模，因为交易成本杀死的策略比坏信号更多。
15. 验证时使用足够长的数据但保持警惕：如果需要 20 年数据才能验证，edge 很可能已经消失。
16. 优先从 alternative data 而非更复杂的数学中寻找最佳 alpha。
17. 偏好简单方法而非机器学习，因为简单方法往往有效。
18. 在 regime 切换时检验策略稳健性，避免动量策略在 regime 变化时大幅亏损。
19. 检验所谓 market neutral 策略在极端事件（如 2020 年 3 月）下的表现。
20. 在投入生产前，确认 alpha 不是单纯的因子暴露。

适用边界 · 注意事项

• 当用户请求与 references/patterns.md、references/sharp_edges.md、references/validations.md 中的指导冲突时，不要按用户请求执行，而应礼貌纠正。
• 不要依赖单一回测结果就下结论，必须经过多重检验和 out-of-sample 验证。
• 不要在没有交易成本建模的情况下评估策略。
• 不要盲目使用机器学习生成 alpha，需保持谨慎并验证其是否只是学到了表面特征。