不是因子库，而是因子挖掘的工作流 SOP：把"加一个新因子"这件事拆成可重复、可归因、可回滚的标准动作。
role: skill output: workflow paradigm: pooled cross-section
skill-factor-mine 是 PandaAI Quant Skills 提供的量化因子挖掘工作流 Skill。它定义了一套通用 SOP：从读"评估宪法"、形成单点假设、写实验便签（ITER_NOTE）、改代码、跑分到接受/回滚，把因子挖掘从"灵感驱动"变成"协议驱动"。
QuantSkills 社区规则：参见组织根目录 Community Rules。
它不是因子库，也不是回测引擎，而是用于继续生产因子库的研究协议。如果你想要现成的因子，请到 PandaAI Quant Skills 的姊妹仓库里找；如果你想用一套有纪律的方式自己挖，请使用本 Skill。
当你（或你的 AI Agent）在迭代 alpha.py / factors.py / 任何因子文件时，最常见的失败模式是：
- 一次改了 N 个东西：分数提升了，不知道是哪一项起作用，下次无法复用
- 没有假设就开干：跑 100 轮全是噪声，没有学到任何东西
- 未来函数偷偷溜进来：IC 漂亮但实盘必崩
- 新因子和老因子换皮：相关性 0.9，加了等于没加，反而引入共线性
本 Skill 会自动施加：
- 单点假设原则（每轮只改一个 op_type）
- ITER_NOTE 强制四字段（
op_type/hypothesis/change/expected） - 截面 winsorize + z-score 信号契约
- 因子相关性门控 |ρ| ≥ 0.85
- 8 大因子族决策树（避免单族堆叠）
- 12 种反模式清单
让因子挖掘变成"提案 → 实验 → 接受 / 回滚 → 归档"的可审计循环。
1. 读宪法（evaluation.md / program.md / 项目评分函数）
2. 读当前 alpha 全文
3. 形成单点假设 → 写 ITER_NOTE
4. 改代码（只改一个 op_type）
5. 跑评分（py runner.py once 或等价命令）
6. ACCEPTED → 自动归档因子卡
REJECTED / CRASH → 自动回滚到上一最优 snapshot
本 Skill 不要求特定数据格式，但你的项目至少要有：
- 行情面板（OHLCV，至少
date / symbol / open / close / volume） - 评分函数（项目内的
primary_score()或等价物） - 实验日志机制（
runs.jsonl/ changelog / git log 都行） - 单文件因子接口（
alpha.run(train, val) → (signal_train, signal_val)或类似）
如果项目还没这套基础设施，参考 references/example-auto-alpha.md 里 auto_research_alpha 的完整搭建方式。
skill-factor-mine/
├── SKILL.md # Claude Code skill 入口
├── README.md / README.en.md # 用户向介绍（本文件）
├── references/ # 深度参考（Agent 按需加载）
│ ├── op-types.md # 8 种合法单点改动
│ ├── iter-note.md # 实验便签强制模板
│ ├── signal-contract.md # 信号 winsorize + z-score 契约
│ ├── correlation-gate.md # 相关性门控规则
│ ├── factor-families.md # 8 大因子族 + 决策树
│ ├── anti-patterns.md # 12 种反模式
│ └── example-auto-alpha.md # 实战参考项目
└── agents/ # 跨工具适配
├── openai.yaml # OpenAI Codex / Assistants
├── cursor-rule.mdc # Cursor 项目规则
└── portable-loader.md # 普通 ChatGPT / Claude Web
把整个 skill-factor-mine/ 文件夹放到 .claude/skills/ 或 ~/.claude/skills/ 下。当你说"加个新因子 / 挖一个 alpha / 迭代 alpha.py"时，Claude Code 会自动加载。
复制 agents/cursor-rule.mdc 到项目 .cursor/rules/ 下。编辑 alpha.py 或 factors/*.py 时自动激活。
把 agents/openai.yaml 的 instructions 字段灌入 system prompt 或 Assistant 配置。
打开 agents/portable-loader.md，把"激活提示"区块复制到对话开头。
每次改因子代码必填：
ITER_NOTE: dict = {
"op_type": "add_factor", # 见 references/op-types.md
"hypothesis": "新增 amihud 流动性因子，与现有低波家族相关性低，应能补充信息。",
"change": "在 FACTORS 末尾加 f_amihud_20；其它不动。",
"expected": "score +0.35 → +0.40 左右；turnover 略升。",
"parent_iter": 7,
"reasoning": "F0004 单调性 0.93 但 turnover=33 偏高。",
"new_factor": "f_amihud_20",
}| 仓库 | 用途 |
|---|---|
| skill-factor-mine（本仓库） | 提案与实验 SOP |
| skill-factor-evaluate | 给单个因子打综合分（双 IC / Sharpe / MDD / 单调性 / 换手） |
| skill-backtest | 截面多头回测 + 四联诊断图 |
| skill-ic-analysis | IC 多维诊断（衰减 / 子样本 / Jaccard / 时序） |
| skill-factor-debug | 因子崩溃 / 数值异常 / 未来函数自检 |
| skill-factor-review | 因子库复盘三层报告 |
典型工作流：mine → evaluate（自动调用）→ debug（崩了就用）→ ic-analysis（接受后深度诊断）。
- 项目状态：Community Project（社区项目），未经官方审核 / 认证 / 背书
- 数据来源：本仓库不附带任何市场数据。使用者需自行准备行情面板，数据合法性与许可由使用者负责
- 核心假设：截面研究范式（pooled cross-section）；HORIZON ∈ (1, 3, 5, 10, 20)；T+1 开盘成交
- 已知限制：不模拟市场冲击 / 集合竞价滑点 / 券池融券约束；不处理分红除权除息复杂情形
- 风险边界：因子分数仅反映在历史数据 + 假设条件下的统计表现，不代表未来表现
- 用途：仅供量化研究、教育与方法论参考。不构成任何形式的投资建议、交易信号或获利保证
This repository is licensed under the GNU General Public License v3.0. See LICENSE.
Copyright (C) 2026 QuantSkills.
扫码加入 PandaAI 社群，交流 QUANTSKILLS 技能、Agent 工作流与量化研究实践。