Imported from tetap/stock-skills (
agent-skills/stock-quant-research/SKILL.md). Install upstream withnpx skills add tetap/stock-skills --skill stock-quant-research. Copyright stays with the author.
量化策略研发路线（借鉴社区实践）
本仓库 个股分析报告 与 可回测策略 是两条线，勿混为一谈。
| 层级 | 本仓库现状 | 目标 |
|---|---|---|
| L0 研究观点 | /stock 分析 + review-protocol |
多轮审核的研究结论，不是回测收益承诺 |
| L1 因子/信号 | Alpha158/360 + quant_verdict | 须 OOS 检验 + 阈值网格 |
| L2 回测 | backtest_quant.py / walk_forward_quant.py |
IS 搜参 → OOS；walk-forward 多 fold 验证 |
| L3 模拟盘 | 未实现 | Python 成交逻辑须与 L2 逐笔拟合 |
| L4 实盘 | 未实现 | API 切换前再跑一轮模拟 |
两条学习路线的映射
路线 1：复现他人 → 发现不可用
- 启示：公开策略缺参数/隐藏逻辑 → 本仓库
quant_verdict标注为「启发式」，报告 §7 须写「未过 OOS」时不得高置信。 - 动作：复现 7 个策略后「全部放弃」是正常结果；应沉淀 共性（趋势+量能+风控）而非单个指标。
路线 2：整合 → 自研 → 拟合链
整理逻辑 → AI/人工迭代 → TV 回测 → Python 回测对齐 TV
→ 模拟盘对齐 Python → 实盘 API → 持续监控宏观/黑天鹅
本仓库已提供 Python 回测第一步；TradingView / 模拟盘 / 实盘需自行对接。
实验规范（与大模型训练同思路）
- 数据：约 2 年日线（
--limit 500），前 80% 时间 样本内，后 20% 样本外。 - 禁止：在样本外上调参；禁止凭感觉设
long_threshold/tanh scale。 - 网格：
train_quant_models.py --grid（LGB 超参）；backtest_quant.py --grid-thresholds（做多阈值）。 - 验收：OOS IC > 0 且 direction_accuracy > 50% 仅为最低门槛；还须 Sharpe、最大回撤、换手。
- 报告：若 OOS 未过，
quant_verdict在分析报告中只能作「辅助参考」，评级上限「右侧等待」。
命令
# 训练 LGB（80/20 + OOS 指标 JSON）
python scripts/train_quant_models.py --lgb --limit 500 --grid
# 单股 long-only 回测 + 阈值网格
python scripts/backtest_quant.py --secid 0.300204 --grid-thresholds
# LGB 模型信号回测（需 models/alpha158_lgb.txt）
python scripts/backtest_quant.py --secid 1.600519 --method lgb --grid-thresholds
# Walk-forward 滚动 OOS（5 fold，IS 搜阈值 → 每 fold OOS）
python scripts/walk_forward_quant.py --secid 0.300204 --folds 5
python scripts/walk_forward_quant.py --secid 1.600519 --method lgb --folds 5
# 查看 OOS 是否通过
cat models/alpha158_lgb.metrics.json与 /stock 分析的关系
- 分析流程见 review-protocol.md：研究审核，不是策略验收。
- 策略验收见本文：回测 + OOS，通过后再谈模拟盘。
- 永远假设：市场下一秒可以黑天鹅；程序能扛住之前，才考虑 unattended 运行。
诚实边界
- 当前 LGB 训练为 轻量演示管线，非 Qlib 工业流程。
- Alpha360 TCN 权重需自训；无权重时均为启发式。
- 真正赚钱的完整策略不会公开；本仓库目标是帮你 建立可验证的研发纪律，而非提供圣杯。