阶段9WorldQuant BRAIN●●●●●

BRAIN评分指标全解：Sharpe、Turnover、Fitness的门槛逻辑

我的掌握程度：

q-803精讲

先掌握这个答案

三闸门：①Sharpe：稳定性——日收益均值/波动的年化（口径含平台细节）；门槛常>1.25（区域有别）——它惩罚「时好时坏」的信号；②Turnover：换手——日均单边换仓比例；门槛区间常见<70%（过高=成本吃光）——它惩罚「朝三暮四」的信号；③Fitness：综合性≈Sharpe×√|年化收益|/√换手类组合——惩罚「高换手买来的高夏普」；门槛常>1.0——三指标里最难平衡的。辅助检验：Weight Check（持仓集中度）、Sub-Universe（子池一致性，q-804）、相关性检查（与已提交Alpha<0.7）。（具体门槛随区域/时期调整，以平台当期文档为准。）

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

从同期超额收益序列计算

常见估计为mean(r−rf)/std(r−rf, ddof=1)×√K；频率、无风险利率和费用口径要匹配。不要直接把CAGR代入算术均值公式。自相关、偏度、肥尾和大量选参会影响可靠性，不存在通用“合格夏普”。

平台标准以当期官方规则为准

资格、评分、提交次数、算子和收益门槛都可能调整。保存规则快照与实验台账，避免围绕公开榜反复调参；平台成绩不能直接替代样本外研究证据或实际收益。

本阶段实战方法 · 用实验记录把竞赛变成研究成果

参加BRAIN或金融预测比赛时，把平台成绩和可迁移的研究能力分别评价。

先阅读当前赛题数据、时间戳、评分、提交限制与使用条款；门槛以平台当期规则为准。
每次只改变一个假设，记录数据版本、公式、参数、seed、本地验证、提交分数和尝试次数。
固定验证后总结失败案例、成本敏感性和复现步骤，产出别人能核查的项目报告。

使用边界

Public榜不是最终测试集，反复围绕它调参会产生选择偏差。
平台Alpha达标不代表可直接实盘，也不等于通过招聘或获得稳定收入。

不懂的术语：年化收益（Annualized Return）Alpha（阿尔法）Alpha 信号（Signal）BRAIN（WorldQuant）

背景 · 从一个困惑说起

BRAIN提交一个Alpha后，模拟器吐出一排指标——Sharpe 1.42、Turnover 44%、Fitness 1.35——它们不只是成绩单，是三道闸门：全过才能提交。读懂每个指标的「门槛逻辑」，是定向优化的前提。

由此产生的问题

三大指标（及相关的Margin、Weight检验）各自衡量什么、门槛大约在哪、相互怎么牵制？

核心概念

为什么需要它

①理解「为什么被拒」：新手最常见的困惑是「Sharpe挺高怎么不合格」——通常死在Fitness（换手拖累）；诊断顺序=先看哪个指标离线最近；②平台指标即业界指标：这三个指标正是机构因子入库的标准维度（q-426/431/056的镜像）——BRAIN在用平台训练你的职业直觉；③优化资源分配：知道牵制关系（降换手常降Sharpe）才能用三板斧（q-809）有序攻关。

实际应用场景

提交前的自检清单：三指标+相关性四项预判；每个未达标项对应一个动作（Sharpe弱→组合信号；Turnover爆→平滑；Fitness边缘→组合+中性化双管）。

与之前知识的联系

q-802（语言）之后的第一课评分学；q-809（三板斧）给出达标工程学；q-533（胜率盈亏比）与Sharpe的血缘在平台上的体现。

⚠ 常见误解

把Sharpe堆到最高就好：Fitness把「高夏普高换手」打回原形——平台在模拟真实世界（净收益才是收益）
Turnover压到最低最好：过低=信号钝化，Fitness同样受损——存在甜蜜区间而非单调最优
指标门槛是死数字：平台会调整（区域/时期）——以当期文档为准；但「三维度权衡」的底层逻辑不变

🤖 AI导师

导师会先检查你的前置知识（表达式基础、夏普概念、换手率），再用案例、公式和代码帮助理解。此功能需要先启用服务。