AI未过版

导航

• 所属章节: 基础知识测试引导 / AI对比
• 上一篇: 问卷填写指引-视频
• 下一篇: AI+自主编写通过版

正文

BRAIN 项目复审问卷(AI版未过版)

5.谈一谈您对Fitness公式的理解，以及其如何影响到您的研究方法和提交策略(Required.)

在BRAIN平台的量化研究过程中，Fitness（稳健性分数）是一个非常关键的综合指标，它用来评估你构建的Alpha策略的整体质量，也是判断策略是否值得提交的重要依据。平台要求Fitness必须大于1.0，才能被视为基本合格的策略，而越高的Fitness意味着策略在收益、风险控制和交易效率之间达到了更好的平衡。Fitness的计算公式为：Fitness = Sharpe × √(abs(Returns) / max(Turnover, 0.125))，其中Sharpe（夏普比率）反映的是策略每承担一单位风险所获得的超额收益，数值越高说明收益越稳定，平台通常希望Sharpe超过1.25；Returns（年化收益率）指的是策略在整个回测期间的整体盈利水平，显然收益越高越好；而Turnover（换手率）则衡量了策略的交易频繁程度，过高的换手不仅意味着更多的交易成本，也往往反映出策略的不稳定性，平台建议Turnover保持在1%到70%之间，且越低越有利于提升Fitness。从公式可以看出，Fitness实际上是综合了收益能力、风险调整后表现以及交易频率的一个复合指标，它鼓励研究者构建出“收益高、波动小、交易不过于频繁”的优质策略，就像一个既聪明又稳重的投资者，不盲目追求短期暴利，而是通过持续、稳定的方式获利。因此，在实际研究中，初学者不能只关注是否赚钱，而要从Fitness的构成要素出发，分别审视自己的策略在收益性、稳定性和交易效率上的表现，并据此有针对性地进行优化：如果Sharpe较低，说明收益波动大，需要通过信号平滑、加入滞后或排名等方法提高稳定性；如果Returns偏低，则要反思因子逻辑或尝试更多数据组合来增强盈利能力；如果Turnover过高，可以通过引入延迟、使用Rank或降低调仓频率来减少不必要的交易。在提交策略之前，建议养成自查的习惯，从收益、夏普比率和换手率三个方面评估策略的综合表现，再根据Fitness公式反推优化方向，不断试验和改进，最终形成一个既符合平台要求、又具备实战潜力的高质量Alpha策略。通过这样的过程，初学者能够逐步建立起对量化策略的全面理解，不再单纯追求收益，而是学会在风险、成本与收益之间寻找最佳平衡点，从而在量化研究的道路上走得更稳、更远。

6.除《零基础学量化》和其它官方培训提供的代码框架外，您有哪些额外代码和工程改进，这个改进如何提高了你在BRAIN平台的研究效率和质量？请举例具体说明(Required.)

在使用BRAIN平台进行Alpha策略研究和提交的过程中，除了学习《零基础学量化》和官方提供的标准代码框架之外，我也逐步摸索并引入了一些额外的代码实现和工程优化手段，这些改进虽然不是官方教学内容，但它们在实际研究中为我带来了非常显著的效率提升和策略质量优化，特别是在应对平台资源限制、流程等待和重复计算等痛点上，起到了非常关键的作用。 其中一个我特别受益的改进，就是学习了社区里两位大神WL27618和KZ79256分享的本地计算自相关性（Self-Correlation）的方法，并通过实践进一步优化和整合到了我自己的研究流程中。这个改进最直接解决了BRAIN平台在“Check Submission”阶段因为计算“Production Correlation”（尤其是Self-Correlation）时API调用次数受限、计算耗时长、反馈慢的问题，以前每次提交策略后都要等平台花很长时间去计算这个指标，有时还会因为限流导致流程卡住，现在通过本地提前计算好Self-Correlation和相关回测指标的Fail项，就能有效规避这些问题，大大节省了Check Submission的调用次数，提升了整体流程的效率和资源利用率。 那么，这个改进具体是怎么做的，又给我带来了哪些实际好处呢？ 简单来说，这个方法的核心是：不依赖平台去实时计算某个Alpha与平台上已有Alpha（特别是Power Pool里的Alpha）的自相关性，而是通过调用WorldQuant BRAIN的公开API，先把自己提交过的所有Alpha的PnL数据（盈亏曲线）批量下载下来，存储在本地，然后用Python代码计算目标Alpha与这些历史Alpha之间的相关性，找出最大相关系数，也就是Self-Correlation，完全在本地运行，零误差、速度快，而且可以反复复用。 同时，我还结合对回测指标中常见Fail项（比如某些关键指标没过）的本地检查，提前筛掉那些明显不符合提交条件的Alpha，减少无效提交和平台计算压力。 举个实际的例子，比如我有一个已经在平台上线的“厂alpha”，也就是已经进入生产池的策略，平台显示它的Self-Correlation是0.0356，低于0.5的阈值，同时还提示Sharpe提升超过10%才有可能通过。一开始我以为这个结果需要重新调参或者优化策略逻辑，但后来我用这套本地代码，输入该Alpha的ID，重新用本地PnL数据计算它和平台所有其他Alpha的相关性，发现最大相关性确实只有0.03左右，和平台计算结果几乎完全一致，而且是零误差匹配。这说明本地计算完全可靠，可以替代平台的计算结果。更棒的是，当我自己新写了一个Alpha，想提前看看它和现有策略的重叠度时，我不用急着提交，而是先用这个本地脚本算出它的Self-Correlation，如果发现和已有策略相关性太高（比如超过0.5），那我就可以直接优化或放弃，根本不用等到平台慢悠悠地跑完Check Submission才告诉我结果。 另一个例子是一个看似“正常”的Alpha，平台显示它的Power Pool Correlation是0.4901，也非常接近0.5的边缘值，我同样用本地代码计算了一下，发现它和同Region里其他Alpha的最大相关性几乎就是0.49，和线上结果完全一致，这让我对自己的策略是否“原创”、是否和已有策略过于相似，有了非常直观和快速的判断依据，而不必依赖平台的反馈。 那么，我是如何实现这一整套流程的呢？其实，我是直接使用了社区开源分享的那套代码，包括登录API、获取用户提交的OS阶段（Online Stage）Alpha列表、批量拉取这些Alpha的PnL数据、用多线程加速数据获取、用Pandas计算时间序列相关性、以及把数据缓存到本地避免重复下载等。这套代码不仅功能完整，还非常高效，比如它用了requests库做API请求，用pandas做数据分析，用concurrent.futures做并发下载，用tqdm显示进度条，甚至用pickle做数据持久化存储，支持增量更新，流程设计得非常工程化。我只需要根据自己的账号信息配置一下用户名密码和数据存储路径，然后运行几个函数，比如先download_data()把历史数据拉下来，再用load_data()加载需要的Alpha集合，最后调用calc_self_corr(alpha_id, os_alpha_rets, os_alpha_ids)就能立刻得到任意一个Alpha与平台所有其他Alpha的最大相关性，也就是Self-Correlation。 更实用的是，我把这个函数直接集成到了我自己的研究工具链或所谓的“machine_lib”中，每次提交前跑一遍，就能提前知道这个Alpha的自相关情况，如果相关性太高，我就直接返回去优化因子逻辑，换数据、加延迟、做Rank或者中性化，从源头减少和已有策略的雷同。同时，我还在提交前通过读取回测结果的Fail项，比如某些关键指标（如Sharpe、Turnover、Drawdown等）没达标，就提前过滤掉这些明显不行的策略，避免它们进入Check Submission阶段浪费宝贵的API调用机会。 这套改进对我个人的研究流程带来了非常实际的提升：一方面，我不再盲目提交策略，而是能提前评估它们的“独特性”和“合规性”，减少无效尝试；另一方面，我大幅减少了等待平台计算Production Correlation的时间，也规避了API限流导致的流程中断，让整个策略迭代和提交的节奏更加流畅高效；最重要的是，我学到了如何通过工程手段弥补平台功能上的不足，把原本需要平台做的事情，用本地代码更灵活、更快速地完成，这种能力不仅提升了我的研究效率，也让我对量化策略从开发到上线的全流程有了更深刻的理解和控制力。 总之，这些“非官方”但非常实用的代码改进和工程实践，虽然起初是借鉴自社区，但通过我的学习和二次优化，已经变成了我个人研究工作流中不可或缺的一部分，它们让我在BRAIN平台上的每一次策略开发都更加聪明、高效和有针对性，是真正能提升研究质量和加速生产流程的实用技巧。

7.在你的研究过程中，如何判断一个alpha是否值得提交？都有哪些考量因素？(Required.)

在我刚开始使用BRAIN平台做Alpha研究的时候，最常问自己的一个问题就是：我这个策略到底值不值得提交？一开始我以为只要回测曲线看起来不错，收益是正的，那就可以提交了，但后来随着不断学习和实践，我慢慢意识到，判断一个Alpha是否值得提交，其实远不止看它赚不赚钱那么简单，而是要从多个关键指标和实际表现去综合评估，尤其是像夏普比率（Sharpe）、年化收益率（Returns）、换手率（Turnover）、最大回撤（Drawdown）、稳健性分数（Fitness）以及交易集中度相关的指标，其中IS（样本内测试）回测提供的六个核心指标——Sharpe、Turnover、Fitness、Returns、Drawdown和Margin，就给了我一个非常清晰的判断框架。 首先我会看这个Alpha的收益能力，也就是IS回测中的Returns（年化收益率），它直接反映了这个策略在过去五年（样本内）的整体赚钱能力，如果一个策略连基本的正收益都做不到，那它显然不太可能是一个值得提交的策略。但光看收益还不够，因为我慢慢了解到，收益的稳定性同样重要，甚至更重要，这就涉及到Sharpe比率（夏普比率），它衡量的是每承担一单位风险，能获得多少超额收益，IS回测中官方建议Sharpe最好能达到1.25以上，如果Sharpe太低，比如低于1，就说明这个策略的收益波动太大，风险过高，即便赚了钱也可能只是运气好或者靠少数几次押注，这样的策略在实际交易中很容易失效或者出现大幅回撤，所以我更倾向于那些Sharpe较高、收益相对平稳的Alpha。 除了Sharpe和Returns，我还会特别关注Fitness分数，这是平台综合了Sharpe、Returns和Turnover之后给出的一个整体“质量分”，它反映了一个策略在赚钱、控风险和不过度交易之间的平衡能力，IS回测中官方要求Fitness最好大于1.0，如果这个分数太低，就说明这个策略可能在某些方面存在明显短板，比如换手太高、波动太大，或者收益不够，整体来看就不是一个稳健、实用的好策略，所以我也会把Fitness当作一个重要的筛选指标，尽量优化我的Alpha，让它的Fitness达到或超过1.0，这样才更有可能通过审核并且具备实战价值。 另一个我非常在意的指标是Turnover（换手率），它反映的是这个策略每天买卖股票的频繁程度，如果换手率太高，比如超过70%，不仅意味着交易成本会很高，还可能因为频繁调仓导致策略难以执行，甚至在实盘中因为流动性问题而表现不佳，IS回测中建议Turnover保持在1%到70%之间，我会尽量选择那些换手率适中、信号相对稳定的Alpha，如果发现换手太高，我就会尝试通过加入延迟（Delay）、使用排名（Rank）、或者做中性化处理等方法，让信号不那么“跳跃”，从而降低不必要的交易频率。 同时，我也会仔细看**最大回撤（Drawdown）**这个指标，它表示在回测期间，策略的收益从最高点到最低点的最大跌幅，如果一个策略虽然赚了钱，但中间曾经出现过很大的亏损，那说明它的抗风险能力较差，遇到市场波动时可能会遭受较大损失，IS回测中会对Drawdown进行评估，如果回撤太大，我就会考虑优化策略的稳健性，比如加强中性化、减少对高波动股票的暴露，或者调整因子逻辑，让策略在各种市场环境下都能更平稳地运行。 最后，IS回测中还有一个指标叫Margin（单位利润率），它衡量的是每交易一美元所能获得的平均利润，虽然这个指标不像Sharpe或Fitness那么直观，但它也能从一个侧面反映策略的“效率”，如果Margin太低，可能意味着策略虽然赚了钱，但赚得很辛苦，或者交易成本吃掉了大部分利润，所以它也是我综合评估策略时参考的一个因素。 总结来说，判断一个Alpha是否值得提交，我不会只看它赚不赚钱，而是会综合看IS回测中的这六个关键指标：Sharpe（收益的稳定性）、Returns（年化收益能力）、Fitness（整体质量）、Turnover（交易频率）、Drawdown（最大回撤）和Margin（单位利润效率）。只有当这些指标整体表现较为均衡，尤其是Sharpe和Fitness达到平台建议的标准，Returns为正且较为可观，Turnover和Drawdown控制在合理范围内时，我才会认为这个Alpha是真正值得提交的，也才更有可能通过平台的审核，成为一个具有实战价值和稳健性的策略。在这个过程中，我也在不断学习和优化自己的因子逻辑与策略构建方法，让自己对“好策略”的判断越来越准确，研究越来越高效。

8.请简要描述您BRAIN alpha构建的整个流程(Required.)

在我刚开始接触BRAIN平台进行Alpha策略构建的时候，整个过程对我来说既新鲜又充满挑战，但随着一步步实践和学习，我逐渐掌握了一个相对清晰的Alpha构建与回测流程，虽然简单，但每一步都至关重要，它帮助我从零开始，慢慢做出第一个可以回测、分析和优化的策略。 首先，我会进入BRAIN平台的“Alphas”下拉菜单，选择“Simulate”页面，在这里我可以创建一个新的Alpha并进行回测。一开始，我会点击右上角的齿轮图标，打开设置面板，在这个面板里，我需要先设置一些基础的回测参数，比如我通常会选择“US: TOP3000”作为我的地区和股票池，因为这是美国市场上流动性最好的前3000只股票，比较适合初学者用来测试因子逻辑；然后我会选择“Subindustry”作为中性化选项，这样可以减少我在行业层面上的暴露，让策略更加稳健；同时我也会勾选Code和Result，这样在回测结束后，我就能同时看到我的代码和对应的回测结果。 接下来，我会把注意力放在Alpha表达式文本框里，这是我真正开始构建策略逻辑的地方。作为一个初学者，我一开始并不会构建很复杂的模型，而是从最简单的想法入手，比如平台示例里给出的“-Delta(close, 5)”，这个表达式背后的逻辑是：过去5天收盘价的变化（即短期价格动量），并对其取负，表示我可能想做空那些短期价格上涨较多的股票，或者简单理解为对短期涨势的一种反向操作。虽然这个策略后来被发现收益不够、回撤大、波动高，不是一个“好”的Alpha，但它让我明白了如何在平台上输入一个表达式，并通过回测去观察它的实际表现。 设置好表达式和参数后，我就会点击“回测”按钮，这时BRAIN平台就会基于我选择的股票池，对每一天、每一只股票运行我写的那个表达式，计算出一个对应的权重，然后根据这些权重构建一个模拟的投资组合，再根据组合中每只股票的实际涨跌幅，计算出每天的盈亏，最终生成一条累积净值曲线，也就是PnL vs. 时间的图表，同时还会生成一个Sharpe Ratio vs. 时间的图表，帮助我直观地观察策略的收益和风险变化情况。 回测完成后，我会进入结果页面，这里会展示多个图表和统计数据。我会重点关注那张累积PnL的图表，理想情况下，我希望看到一条持续向上增长、波动较小的收益曲线，而不是那种上下剧烈波动、经常出现大幅回撤的曲线；同时我也会查看统计选项卡中的各项指标，比如年化收益率（Returns）、夏普比率（Sharpe）、盈利日百分比、交易每美元利润、换手率（Turnover）和最大回撤（Drawdown）等，一个“好”的Alpha通常应该有较高的年化回报、Sharpe大于2.0（delay 0）或1.25（delay 1）、较低的回撤（小于10%）、换手率适中（不低于1%但也不过高）、以及较小的波动性，而不是那种虽然收益还行但波动极大、回撤很深、换手太频繁的策略。 如果我发现这个Alpha的各项指标都不理想，比如收益低、回撤大、波动高，那我就会回到最初的表达式构建环节，去思考如何优化我的策略逻辑，比如尝试不同的数据字段（如用开盘价、成交量代替收盘价）、使用不同的运算符（如Rank、Delay、Decay等）、或者引入一些基本的中性化与过滤逻辑，来让信号更加稳健和有区分度。这个过程其实就是不断提出假设、用表达式实现、再通过回测验证、最后优化调整的循环。 在构建和回测完一个Alpha之后，如果我觉得它初步符合了我对收益和风险的基本要求，我还会进一步通过平台的相关性模块，查看它与平台已有策略的相关性，避免提交一个和别人太过相似、没有独特价值的策略；同时我也会关注平台提供的“测试期”功能，利用它把样本内（IS）数据分成训练期和测试期，先在训练期上开发和优化我的Alpha，再在测试期上验证它的稳健性，尽量降低过拟合的风险，提升策略的泛化能力。 最后，如果一个Alpha在IS测试中各项指标表现良好，比如Sharpe达标、收益稳定、回撤和换手合理、相关性不高，那我就会考虑将它提交到OS（Out-of-Sample）测试阶段，进一步检验它在样本外数据上的表现，为未来可能的实盘应用打下基础。 总结来说，我构建BRAIN Alpha的整个流程大致就是：进入模拟页面 → 设置回测参数（地区、股票池、中性化等）→ 输入Alpha表达式 → 点击回测 → 查看PnL和统计指标 → 分析策略表现 → 优化表达式逻辑 → 检查相关性和过拟合风险 → 最终决定是否提交。虽然一开始我只是简单地输入一个表达式，比如“-Delta(close, 5)”，但随着对这个流程的熟悉，我逐渐学会了如何从想法到表达式、从回测到优化、从单因子到多维度思考，慢慢构建出更稳健、更有潜力的Alpha策略，这个过程让我对量化研究有了更直观、更扎实的理解。

9.请描述您在研究中如何选取和了解要使用的BRAIN数据集？(Required.) 在我刚开始用BRAIN平台做研究的时候，面对很多数据集，我一开始并不知道该选哪些、怎么用，但通过慢慢尝试，我逐渐学会了一套简单的方法来选取和了解数据集。 首先，我会先想清楚自己想做的是什么类型的策略，比如是做基本面分析、动量策略、还是新闻情绪类的策略，然后根据这个方向去寻找对应的数据集。比如，如果我的策略跟公司财务数据有关，比如收入、利润、负债这些，我就会去看像fundamental6这样的数据集，它覆盖了全球大多数大公司，数据是按季度更新的，能提供很多基础的财务指标，非常适合做基本面相关的因子。 如果我是想做估值或者多维度综合评分的策略，我就会关注像model16这样的数据集，它根据估值、增长、盈利、动量、质量这五大类基本面和行为因素，对股票做了0到1的评分，而且数据是按月更新的，能直接给我提供一个综合的参考，省去了我自己去组合多个指标的麻烦。 如果我的策略是想利用市场上新闻对股价的影响，比如某些新闻发布后股价会有明显波动，那我就会去研究news12这个数据集，它专门把财经新闻和股票市场表现做了匹配，能告诉我哪些新闻对哪些股票影响比较大，这对于做事件驱动或者新闻情绪策略很有帮助。 另外，如果我想参考专业分析师对未来财报的预测和观点，比如他们对未来季度或年度的收入、利润怎么看，我就会去看analyst4这个数据集，它提供了全球范围内分析师对未来财务更新和财报公告前后信息的汇总，对于做前瞻性策略或者结合市场预期做决策很有参考价值。 在选定了可能用得到的数据集之后，我会点进每个数据集的详情页，仔细看它的描述，了解它具体包含哪些字段、数据更新频率是怎样的（比如是日频、周频、月频还是季度频）、覆盖哪些地区和股票，以及这些数据通常用在哪些策略场景中。我还会参考平台上的官方示例或者社区里其他研究者的用法，看看别人是怎么用这些数据集构建因子的，这能帮我更快上手，也能启发我自己的思路。 总的来说，我选数据集的方法就是：先明确策略方向，再找对应类别的数据集，比如基本面就看fundamental6，综合评分看model16，新闻情绪看news12，分析师观点看analyst4，然后通过查看数据集描述、参考示例和不断尝试，逐步了解每个数据集具体怎么用，最终选出适合自己策略的数据。