Factor Optimize

简体中文 | English

一句话定位：对已有股票或期货因子做参数扫描、组件消融和核心版本增强，最后给出是否替换原因子的研究结论。

这是什么

skill-factor-optimize 是一个面向量化研究 Agent 的因子优化工作流 skill。它不从零挖因子，而是围绕一个已有因子，复用项目本地的数据、回测/评价引擎和指标口径，完成 period sweep、best period 选择、组件 ablation、core variant 提炼、refinement 增强和最终替换决策。

它适用于股票和期货因子。指标不写死，优先使用用户指定的 metrics；如果用户没有指定，则从项目上下文中推断，例如 IC、ICIR、PnL、Sharpe、turnover、coverage、分组收益或 long/short 分解。

本 skill 默认中文化：skill 指令、生成的 Markdown 总结、最终报告和对话回答都以中文为主。它还明确要求 Agent 不只把产物落到文件里，也要在对话中给出足够多的关键证据、指标对比、稳健性讨论和最终建议。

Workflow 如何运作

这个 skill 的核心不是“调参找最高分”，而是把已有因子拆成一条可复查的优化链路：

flowchart TD
    A["输入：已有因子目录或源码"] --> B["读取本地上下文"]
    B --> B1["识别源码、数据、label/target、回测脚本、已有 metrics"]
    B1 --> C["确定评价口径"]
    C --> C1["优先用户指定指标"]
    C --> C2["否则从项目上下文推断指标"]
    C1 --> D["Period Sweep"]
    C2 --> D
    D --> D1["单核心 period：围绕当前 period 扫描"]
    D --> D2["多 period 因子：只挑核心参数，避免组合爆炸"]
    D1 --> E["选择 Best Period"]
    D2 --> E
    E --> F["Best Period 上做 Ablation"]
    F --> F1["拆组件：趋势、反转、波动、成交量、gate、标准化、风险控制等"]
    F1 --> F2["逐个删除或简化组件"]
    F2 --> G["得到 Core Variant"]
    G --> H["Refinement"]
    H --> H1["权重、平滑、阈值、裁剪、标准化、非对称、降换手等增强"]
    H1 --> I["Best Final Variant"]
    I --> J["稳健性讨论"]
    J --> K["最终决策：替换、保留、研究候选、继续验证"]

Loading

每一步都必须复用项目本地的评价环境。这个 skill 不会假设某一套固定指标，也不会默认所有 period 做笛卡尔积搜索。

产物会落在哪里

优化产物默认放在被优化因子自己的目录下：

<factor_dir>/
└── optimize_tests/
    ├── 00_manifest.json
    ├── period_sweep/
    │   ├── period_sweep_metrics.csv
    │   └── period_sweep_summary.md
    ├── ablation/
    │   ├── ablation_metrics.csv
    │   ├── core_variant_daily_analyze.png
    │   └── ablation_summary.md
    ├── refinement/
    │   ├── refinement_metrics.csv
    │   ├── best_variant_daily_analyze.png
    │   └── refinement_summary.md
    └── optimize_report.md

产物	作用
00_manifest.json	记录本轮复用的数据、引擎、指标、因子名和实验状态
period_sweep_metrics.csv	汇总所有 period 或 period set 的指标结果
period_sweep_summary.md	解释原始 period、测试范围、稳健区间和 best period
ablation_metrics.csv	汇总 best period 下每个组件删除/简化变体
ablation_summary.md	说明哪些组件是 core、helpful、risk_control、cosmetic 或 harmful
core_variant_daily_analyze.png	只给选出的 core variant 生成图，避免图表泛滥
refinement_metrics.csv	汇总从 best period + core 出发的增强尝试
refinement_summary.md	解释 refinement 尝试和 best final variant
best_variant_daily_analyze.png	只给最终 best variant 生成图
optimize_report.md	串联 period sweep、ablation、refinement 和最终结论的完整报告

如果项目里已经有同等作用的实验目录，Agent 应优先复用或扩展，而不是重复创建新目录。

最终对话必须返回什么

这个 skill 明确要求 Agent 的最终回复不能只有“报告已生成”。对话中至少应包含：

• 本轮评价口径：数据、label/target、频率、日期范围、核心指标。
• Period sweep 结论：原始 period、测试范围、best period、是否来自稳健区间。
• Ablation 结论：core components，以及 helpful/risk_control/cosmetic/harmful 组件。
• Refinement 结论：best final variant 的逻辑，以及它相对 original/core 的变化。
• 核心指标对比：至少压缩展示 original_factor、best_period_factor、core_variant、best_final_variant。
• 因子稳健性讨论：参数、时间/市场、成本、覆盖度、单侧表现和搜索偏误。
• 最终建议：替换原因子、保留原因子、研究候选，或继续验证。

推荐的对话输出形态：

完成了。本轮复用的评价口径是：...

关键结论：
- Best period: ...
- Core components: ...
- Best final variant: ...
- 是否建议替换：...

核心指标对比：
| 版本 | period | 逻辑 | 指标1 | 指标2 | 指标3 | 结论 |
| --- | --- | --- | --- | --- | --- | --- |
| original_factor | ... | ... | ... | ... | ... | ... |
| best_period_factor | ... | ... | ... | ... | ... | ... |
| core_variant | ... | ... | ... | ... | ... | ... |
| best_final_variant | ... | ... | ... | ... | ... | ... |

稳健性判断：
- 参数稳健性：...
- 时间/市场稳健性：...
- 成本和覆盖度：...
- 单侧/分组表现：...
- 搜索偏误风险：...

产物位置：...

快速开始

cp -r skill-factor-optimize ~/.codex/skills/factor-optimize

触发示例：

Use $factor-optimize to optimize this factor directory. Use the project's existing IC/ICIR and turnover metrics.

Use $factor-optimize to sweep the key periods, run ablations on the best period, and tell me whether the refined version should replace the original factor.

目录结构

skill-factor-optimize/
├── SKILL.md
├── README.md
├── README.en.md
├── LICENSE
├── agents/
│   ├── cursor-rule.mdc
│   ├── openai.yaml
│   └── portable-loader.md
├── references/
│   ├── report-format.md
│   └── source-boundary.md
└── scripts/
    └── init_optimize_folder.py

初始化实验目录

如果只想先创建标准产物目录，可以运行：

python scripts/init_optimize_folder.py <factor_dir> \
  --factor-name <name> \
  --engine "<项目评价引擎说明>" \
  --data "<项目数据说明>" \
  --metrics "<用户指定或上下文推断的指标>"

这只会创建 optimize_tests/ 骨架和 manifest，不会运行回测，也不会修改因子源码。

核心约束

约束	说明
复用本地引擎	优先使用项目已有数据、label、评价函数、回测脚本和报告格式
指标不写死	优先用户指定，其次根据上下文推断，再使用通用指标并说明原因
先 sweep 后 ablation	ablation 必须固定在 best period 上做
控制搜索空间	多 period 因子只测试核心参数，避免笛卡尔积爆炸
从 core 出发增强	refinement 从 best period + core components 开始
不自动覆盖源码	只有用户确认推广最终版本时才更新 canonical factor code
对话必须有信息量	最终回答必须包含关键指标对比、核心组件、best variant 和稳健性判断
讨论稳健性	至少覆盖参数、时间/市场、成本、覆盖度、单侧表现和搜索偏误

运行时入口

入口	文件	用途
Codex / OpenAI	agents/openai.yaml	OpenAI/Codex 风格 skill UI 元数据和默认 prompt
Cursor	agents/cursor-rule.mdc	Cursor rule 入口，指向本 skill 的中文化因子优化流程
Hermes / OpenClaw / Portable	agents/portable-loader.md	无原生 skill 机制时的加载顺序和执行约束

免责声明

本仓库仅作量化研究方法论与 Agent 工作流整理，不附带任何市场数据、因子数据或收益验证，不构成任何投资建议、交易信号或收益承诺。

License

This project is licensed under the GNU General Public License v3.0. See LICENSE.

PandaAI / QUANTSKILLS 社群

_{扫码加入 PandaAI 社群，交流 QUANTSKILLS 技能、Agent 工作流与量化研究实践。}