1. 为什么“照着论文写完指标”还不够?

在开发 agentic-quant-lab(基于 NumPy + Polars)的过程中,核心代码没有任何 exec() 自动跑 LLM 生成策略的行为,真正决定研究可信度的,是那层用确定性统计门禁拦截过拟合的验证引擎。下面 5 个坑都是我们在单测和复核中真抓出来修掉(或明确写入边界文档)的真实细节。

OHLC + 信号矩阵 仅允许确定性校验 CSCV 连续块采样 偶数 S 块 (>=5d) + np.sort 保序 Purged WFA 否决门 任一折 DD > 30% 直接 Grade D 严格 T+1 首日收益 (close - open) / open 剔除隔夜跳空 联合判定与诚实边界 • DSR 使用 abs(mean_logit),须与 PBO 联合判读 • Polars 超额峰度先 +3.0 再进 Sharpe 方差项 • 三屏障同根触发止盈止损保守判止损 (-1) • BacktestEngine 默认仍为 close(兼容旧接口) • apply_weekly_filter 默认同周广播(实盘须 lag 1 周) • MarketRegime.classify 用全样本中位数(仅事后归因)
图 1:CSCV、Purged WFA 与 T+1 隔离门禁及关键边界约束一览

2. 实现中最易写错的 5 个细节

  1. CSCV 按“天”打乱直接破坏序列自相关(validation/overfit.py):早期代码直接随机打乱单个交易日索引,打碎了波动率聚集和动量自相关。修正后按时间均分偶数个 S 连续块(每块至少 5 个交易日),对块重采样后再对下标执行 np.sort 保留块内顺序。
  2. 没有方向感的 DSR 与 Polars 超额峰度忘加 3.0:cscv_pbo() 里的 _compute_deflated_sharpe() 使用了 abs(mean_logit),导致稳定过拟合策略(logit = +2.0)和稳定泛化策略拿到同样高的 dsr,必须联合 pbo 判读;另外 Polars 算出来的是超额峰度(正态为 0),在 risk/metrics.py 必须先加 3.0 再代入 (kurtosis - 1)/4 * SR²,否则会低估 Sharpe 方差。
  3. 次日入场吃进隔夜跳空收益(validation/signal_engine.py):Bar i 收盘价触发的信号如果次日开盘入场,第一天真实收益只可能是 (closes[entry] - opens[entry]) / opens[entry],绝不能包括 close[i] → open[i+1] 这段跳空(我们专门用单测 test_t_plus_one_entry_day_return_uses_next_open 锁死这一条)。
  4. 单根 K 线同时击穿止盈止损怎么算?(validation/labeling.py):无法判断盘内先后顺序时按保守原则统一判止损(-1)。
  5. 平均夏普掩盖尾部爆仓(optimization/walk_forward.py):只要任一样本外折出现最大回撤 > 30% 或收益 < -20%,直接触发 catastrophic_veto 判为 Grade D,哪怕平均夏普是 2.0 也一票否决。

3. 坦诚保留在 README 里的既有边界(不隐藏的瑕疵)

← 上一篇:AI 记忆内核的 Fail-Closed 边界设计 返回文章列表 →