第 4~6、11、17 章：想法怎么变成表达式

设计五要素（第 4 章）#

Bender 与 He 把一个 alpha 的设计拆成五个决策：用什么数据、覆盖什么股票池、预测什么区间、表达式怎么写、怎么做标准化处理。每一项都是显式选择，不是默认值。对照本平台：数据 = 量价面板，股票池 = 全 A 或抽样，预测区间 = --period 参数，表达式 = 注册的因子函数——你每次跑因子分析，其实都在填这张五要素表。

第 4 章还强调收尾工序：去极值、中性化（行业/市值）、平滑——原始表达式只是毛坯，后处理才让它能用。这是本平台目前最欠缺的一环（截面 rank 之外没有行业中性化），读这章能明白代价是什么：你的因子 IC 里可能混着行业贝塔。

一个 alpha 的诞生（第 5 章）#

案例章用”分析师情绪”因子走完全流程：想法（分析师上调评级的股票短期跑赢）→ 找数据 → 写成表达式 → 回测 → 发现换手过高 → 加衰减平滑 → 复测达标。中间的失败与修补是全书最诚实的段落——第一版表达式几乎从不达标，设计是一个迭代循环，与量化学堂案例三”写因子 → 检验 → 改进”的节奏完全一致。

数据是第一生产力（第 6 章）#

Li 的判断很直白：新数据源带来的 alpha，通常比在旧数据上换花样更多。量价数据人人都有，拥挤最快；财报次之；另类数据（新闻、供应链、卫星图）竞争最少但清洗成本最高。章内给了数据验收清单：历史够不够长、有没有幸存者偏差、时间戳是否可信（point-in-time）、未来会不会持续可得。这张清单直接适用于你给平台接入任何新数据源之前的自查。

三轴计划 TAP（第 11 章，第 2 版新增）#

Maini 的 Triple-Axis Plan 是流水线的”产能规划工具”：把 alpha 空间按三根轴展开——想法/数据集 × 表现参数 × 地区/股票池。已有的好 alpha 不该只是一个点，而应沿轴批量泛化：同一个反转想法，可以换周期（5 日 → 20 日）、换池子（全 A → 沪深 300）、换数据（收盘价 → 成交量加权价）。一个想法 × 三根轴 = 一族 alpha。你在因子对比页看到的 reversal_5 与 momentum_20，就是同一轴系上的两个点。

警惕：TAP 也是过拟合放大器——沿轴生成 50 个变体再挑最好的，等于做了 50 次多重检验。下一页的验收工序必须跟上。

像算法一样思考（第 17 章）#

Mahajan 谈研究品味：好表达式偏爱单调、平滑、少参数——排序（rank）优于原始值，连续衰减优于硬阈值，三个参数以内优于十个。参数越多、非线性越花哨，表达式记住噪声的容量越大。这是写因子函数时最实用的一页纸审美。

对照本平台的内置因子正好自查一遍：reversal_5 只有一个周期参数、输出天然可 rank，是这套审美的及格样本；反例则是那种叠了五层条件判断、七个魔法数字的”缝合因子”——回测再好也先怀疑。

带走的三句话#

1. 设计是填表不是灵感：数据、股票池、区间、表达式、后处理，五个决策每项都要显式选择；
2. 新数据源胜过旧数据上的新花样，但接入前先过验收清单——point-in-time 最容易被忽视；
3. TAP 让一个想法变一族因子，但每次泛化都是一次多重检验——产能和验收必须配套扩张。