BRAIN设置项全解:区域、延迟与中性化的选择学
先掌握这个答案
三旋钮:①Region:USA(池最大5000+、数据最全、竞争也最烈)、CHN/亚洲(本土直觉可迁移、达标线略宽)、EUR/GLB(多样化)——新手建议USA起步(文档与社区答案最多)再开拓亚洲;②Delay:Delay-1(昨日数据今日交易——标准研究口径)与Delay-0(当日数据当日交易——高频向、难度大)——新手无脑D1;③Neutralization:None(不中性化——原始暴露大、Fitness常好看但风险脏)、Market(只剔市场)、Industry/Subindustry(剔行业——多数因子的稳妥默认)。性价比路线:USA+D1+Sub起步→指标理解后试CHN+D1+Industry(本土规律)→ 最后挑战Delay-0或None的高分赛道。联动原理:换设置=换题目(同样的表达式在None下Sharpe 1.8、Sub下可能1.2——分数不可跨设置比较——你的"个人最佳表"要按设置分组记录)。
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
预处理也是研究的一部分
记录截面日期、股票池、行业版本与缺失规则。用于预测的统计量只能由当时可得样本或训练集估计;标准化不自动消除行业、市值暴露,中性化也不证明剩余信号有Alpha。
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。
- None的中性化分数高更好:None=带着全部风格暴露裸奔——分数高里有暴露的钱(q-456);机构口味偏中性化后的干净分数
- Delay-0更高级该直接上:它需要日内数据思维与更快信号——D1的功课没做完上D0=用高级赛道掩盖基础问题
- 换设置再试=多一次免费机会:每次设置变更都是新题目(多重检验+1,q-255)——设置组合也要记入尝试账本N
🛠 本题实践任务
用起步配置卡(USA/D1/Sub/TOP3000)提交3个Alpha建立基线;然后只换Neutralization(None)重提一次——分数变化多少?用q-456的思路归因:多出的分数是暴露还是信号?
💡 提示(先自己想5分钟再看)
对比两版的long/short持仓特征(小盘占比变化)——暴露差异的直观证据。
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。
🤖 AI导师
导师会先检查你的前置知识(三大指标、平台入门),再用案例、公式和代码帮助理解。此功能需要先启用服务。