论文复现五步法

检索股票预测研究时，可以从论文和代码仓库入手。arXiv 是预印本平台，被收录不等于已经同行评审；发表在顶会也不代表结论能适用于所有市场和日期。

先问三个问题：作者要解决什么？为什么原方法不够？它的前提适不适合你的数据？

如果只想理解思路，可以做概念验证；如果把方法换成自己的市场，是思路移植；如果要对齐作者实验，才是严格复现。三者的环境、数据和核对深度不同，记录时不要混称。

以股票截面收益预测为例：在某个时点，对一组股票预测随后收益并排序。市场状态可能影响因子选择，时间关联和股票之间的关联也可能帮助预测。

但模型学到关联，不等于识别了因果，也不等于掌握了每条新闻的影响。行业联动、商品和能源同步变化，只能先作为研究假设。

股票池必须回到论文、配置和代码确认。若不同材料分别写了 CSI300、CSI800 和 CSI500，不要自行挑一个填上；先标记冲突并查清来源。

读公式先认变量。N 表示股票数量，T 表示回看时间步，F 表示特征维度。一个示意输入可以写成 N×8×222：8 是回看八个交易日，222 个输入维度的具体组成仍要用数据说明核对。

可以把模型拆成三类模块：市场引导或门控，根据市场状态调整特征重要程度；时间注意力，在历史窗口内学习哪些时点更相关；股票间注意力，学习股票之间的关系。

向量化只是把信息放进统一维度进行数值运算，不会自动产生经济解释。八日窗口的注意力也不会凭空检索十年前的事件；想使用更长历史，需要数据和架构支持。

先画出数据流：读取股票特征和市场信息 → 按日期构造八日窗口 → 做门控处理 → 投影和加入位置编码 → 做时间与股票间交互 → 输出预测 → 和真实未来收益计算损失。

每一步都写输入和输出形状，并检查股票顺序、日期排序、缺失股票和标签对齐。N 只股票的顺序发生变化时，标签也要同步变化；某只股票缺失一天，不能悄悄把下一天当成前一天。

如果用 XGBoost 做一个保留市场特征和截面任务的简化版，要明确写出替换了什么。它不等于复现 Transformer 内部的注意力结构。

一个实验示例可以是 2016—2018 年训练、之后验证、2020 年测试，精确日期必须从配置确认。窗口 T=8，学习率约 1e−5，训练 40 个 epoch，并可能涉及 dropout、batch size 和隐藏层等参数；缺少的值不能凭空补齐。

1 个 epoch 表示完整训练数据被使用一遍，不等于只更新一次参数。Dropout 是训练时随机屏蔽部分表示的正则化方式，不能保证完全消除过拟合。

逐项核对：数据来源、日期、日频、历史股票池、复权和缺失处理；标签期限和价格字段；特征窗口与预处理统计量；模型结构和正则化；学习率、epoch、batch、优化器、早停和随机种子；IC/Rank IC/ICIR 的定义、日期聚合、基准、费用和交易约束；仓库版本、依赖、硬件和随机性。

数据包可能约 2GB，目录和文件名要以实际下载内容为准。PKL 是 Python 对象序列化文件，可能保存处理器、表格或其他对象，不是一种统一金融数据标准。

加载 PKL 前先确认来源可信，因为反序列化不可信对象可能执行代码。检查对象类型、索引、列和时间范围，不能只看到文件存在就开始训练。

Qlib 可以帮助管理量化数据、特征、模型和实验；它与 MySQL 不是同一层工具，不能把某次读取更快推广成所有场景都更好。

IC 通常描述预测与未来收益的相关，Rank IC 描述排名相关，ICIR 衡量 IC 序列均值相对波动的关系。计算前要确认 Pearson 还是 Spearman、按日期还是汇总，以及是否年化。所谓 0.05 的经验线不是通用的盈利认证阈值。

如果结果差异明显，按数据、预处理、标签、模型、训练超参数、随机种子、评估代码逐层排查。可以预先设定相对差异 20% 作为排查提醒，但容忍范围要结合指标尺度和多次运行方差。

异常值要区分数据错误和真实极端事件。训练可以研究稳健处理，评估不能为了好看而删除黑天鹅或亏损行情。每一步保存统计摘要，才能定位差异从哪里开始。

先做一个可控的小实验：计算过去 5 日和 20 日均价，短线上穿长线产生买入信号，下穿产生退出信号。要事先定义使用收盘还是盘中数据、下一可成交时点、初始资金、成本和仓位。

假设用贵州茅台 2024 年至 2025 年的示例区间，曾得到累计约亏 30%、年化约 −18% 的记录。这只是一次回放的记录，数据和口径换了，结果也会变，不能当成可以复制的业绩。

亏损也可能是有效的复现结果：震荡和假突破会让趋势规则反复交易。不能因为结果不好就擅自换参数，再把新结果称为原策略复现。