因子研究员的一天：挖矿人的真实日程
我的掌握程度：
先掌握这个答案
日程模板：8:30看昨日策略与因子表现（滚动IC监控）→9:00-11:30市场时段处理异常+继续实验→午后跑实验（新因子假设的批量检验）→17:00组会（汇报实验结果，含失败）→晚间读文献/研报，想新假设。KPI：入库因子数量与质量（样本外ICIR、与存量因子的低相关性、实盘贡献）。核心循环：假设→构造→检验→（大概率）失败→修正/放弃→循环。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 把行情数字变成可比较的收益
看股票、基金或策略业绩时，先对齐本金、起止日期、现金流与费用。
- 选一个固定区间，记录期初价值、期末价值、分红、出入金和交易费用。
- 没有中途出入金时，用（期末价值＋已取出分红－期初价值－费用）÷期初价值计算收益；有出入金时先区分时间加权与资金加权。
- 用相同区间的基准作比较，同时记录最大亏损；不要单凭一次盈利评价能力。
使用边界
- 不同期限的收益不可直接排名；年化只是换算，不是未来收益承诺。
- 模拟价格不是实时行情。普通股票交易手数、T+1和费用应按具体市场规则核对。
背景 · 从一个困惑说起
外界想象：神秘模型、一键暴富。真实日常：数据、假设、检验、失败、组会——一个用统计方法寻找市场规律的科研工作者。
由此产生的问题
因子研究员的典型日程和KPI是什么？这个岗位的快乐与痛苦在哪？
核心概念
日程模板：8:30看昨日策略与因子表现（滚动IC监控）→9:00-11:30市场时段处理异常+继续实验→午后跑实验（新因子假设的批量检验）→17:00组会（汇报实验结果，含失败）→晚间读文献/研报，想新假设。KPI：入库因子数量与质量（样本外ICIR、与存量因子的低相关性、实盘贡献）。核心循环：假设→构造→检验→（大概率）失败→修正/放弃→循环。
为什么需要它
①预期管理：十个假设能活一个，日复一日面对「失败」是这个岗位的常态——科研心态是刚需；②技能真相：编程够用即可（非开发级），统计直觉+市场理解才是核心竞争力；③成长路径：研究深度→独立策略线→PM（管钱），或转向数据/机器学习方向。
实际应用场景
本课程的主培养目标就是因子研究员路线：阶段5（因子方法）、阶段8（ML工具）、阶段9（BRAIN实战）全部对齐这个岗位的能力模型。
与之前知识的联系
q-077岗位地图的第一站深描。与q-079开发岗对照着看，帮你在研究/工程光谱上定位自己。
⚠ 常见误解
- 研究员=天天建模不看盘：A股研究员必须理解市场（风格切换、事件、流动性）——市场直觉是假设的源泉
- KPI是预测涨跌准确率：是因子入库的质量与组合贡献，「预测明天涨跌」是散户叙事
- 失败多=不适合：失败/成功比10:1是行业常态；关键是失败的假设死得快、活得明白（知道为什么失败）
🛠 本题实践任务
模拟一天的循环：从q-070存下的「因子想法库」挑一个假设，写出：①经济逻辑（为什么可能有效）②可检验的预测（什么股票未来收益更高）③第一个反驳（什么情况下会失效）。
💡 提示（先自己想5分钟再看）
三段式是组会汇报的标准结构；「第一个反驳」最能训练批判性思维。
✅ 验收标准
一份三段式假设卡。它就是你第一个亲手检验的因子——阶段5见。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（岗位地图、因子概念），再用案例、公式和代码帮助理解。此功能需要先启用服务。