毕业项目⑦：写下你的第一份研究报告
我的掌握程度：
先掌握这个答案
报告六段式：①摘要（三句话：标的/区间/核心结论）；②数据说明（来源/口径/体检结论——q-091的README内容）；③业绩表现（数据卡：总收益/年化/波动/回撤）；④归因分析（Beta拆解：市场部分vs自身超额）；⑤风险讨论（回撤剖析+「历史不代表未来」+未覆盖的问题）；⑥附录（代码文件清单/复现方法）。写作标准：每个数字可复现、每个结论有证据、局限性诚实披露。
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
数据、指标、归因、图表全部就位——最后一公里：把它们组装成一份别人（以及三个月后的你）能读懂的研究报告。写作是研究的最后一步检验：写不清楚的地方，多半是没想清楚的地方。
由此产生的问题
一份结构完整的小型研究报告包含哪些部分？写作的标准和常见毛病是什么？
核心概念
报告六段式：①摘要（三句话：标的/区间/核心结论）；②数据说明（来源/口径/体检结论——q-091的README内容）；③业绩表现（数据卡：总收益/年化/波动/回撤）；④归因分析（Beta拆解：市场部分vs自身超额）；⑤风险讨论（回撤剖析+「历史不代表未来」+未覆盖的问题）；⑥附录（代码文件清单/复现方法）。写作标准：每个数字可复现、每个结论有证据、局限性诚实披露。
为什么需要它
①简历级产出：这份报告+代码仓库就是你GitHub置顶的第一个项目——面试「讲讲你做过什么」的完美弹药；②写作暴露理解漏洞：写「回撤-58%但年化6.7%说明什么」时，你会被迫调用q-011/015/094的全部理解；③职业习惯：机构研究员的产出物就是报告——从第一份起就按专业格式来。
实际应用场景
报告存为项目README.md；同步发知乎/公众号一篇「我的第一次量化分析」——公开输出是最强的学习放大器（费曼检验的社交版，q-086）。
与之前知识的联系
毕业项目七步合龙：数据（091）→净值（092）→指标（093/094）→归因（095）→图（096）→报告（097）。q-098~100是阶段1的正式收官三连。
⚠ 常见误解
- 报告=把数字堆上去：数字是证据不是结论；每段都要回答「所以呢」（so what）
- 局限部分显得不专业：恰好相反，诚实披露局限（样本内/单票/未含成本）是研究可信度的来源——机构报告的标配章节
- 写完不发出去：私藏的报告只有一次学习价值；公开发布获得反馈+建立个人品牌，价值放大十倍
🛠 本题实践任务
写完六段式报告（README.md），推送到GitHub（或本地整理成目录）。发一篇公开版（知乎/公众号/博客任选），链接存档。
💡 提示（先自己想5分钟再看）
公开版可以只发摘要+双图+核心结论；完整版在GitHub。发布时的自我介绍一句话：「量化学习中的第一份完整研究报告」。
✅ 验收标准
GitHub仓库（代码+数据卡+双图+报告）+公开文章链接。项目进度7/7——恭喜，你完成了一件可以讲20分钟的简历项目。
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（数据卡、归因、可视化），再用案例、公式和代码帮助理解。此功能需要先启用服务。