IC与平台指标的对照表：把课程语言翻译到BRAIN
先掌握这个答案
近似映射：Sharpe≈单日IC的t统计量量级（IC越稳越高——ICIR的近亲）；Fitness≈IC经济性（IC×覆盖/换手）——映射不是公式而是「单调对应」：本地RankIC与平台Sharpe正相关（经验上RankIC均值0.03-0.05的平台Sharpe约1.2-1.8）。本地好平台差的三大原因：①口径差（区域的股票池/中性化设置与你本地不同——你在全A算、平台在USA跑）；②成本与约束（平台的Fitness计入换手惩罚——你本地只看了IC没看换手）；③数据差（平台的数据集字段语义与你的原料不完全对应——volume口径、复权方式）。预筛选：本地先算RankIC（>0.02）+日换手（<60%）双门槛——两关都过再上平台，节省提交额度。
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
先固定IC的实验口径
明确股票池、信号可得时点、预测持有期、相关方法及权重。IC阈值不能跨研究直接套用；重叠标签导致序列相关，ICIR或t值不能无条件按独立样本解释。最终还要检验成本、换手与容量。
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。
- 本地IC直接等于平台分数：只有单调相关没有公式换算——映射用于预判方向，不用于精确预测
- 平台分低=因子没用：先查三原因（口径/成本/数据）——换区域或加平滑常能救回（q-820的区域伏笔）
- 预筛选门槛越严越好：太严把「平台表现好于本地」的机会筛掉了（口径差有时是正向的）——0.02的IC线是宽松起点
🛠 本题实践任务
为你最近的3个Alpha补做本地预筛（本地RankIC+换手估算），对照平台实际分——你的映射词典校准了吗？把经验映射区间写进笔记。
💡 提示（先自己想5分钟再看）
映射校准即积累：每提交一个就记录「本地IC→平台Sharpe」一对点，十几个点后你的私人词典比任何攻略准。
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（IC/RankIC、三大指标），再用案例、公式和代码帮助理解。此功能需要先启用服务。