xuxingjiankr-cpu /
多数量化工具帮你找因子，这个反过来：它默认你找到的因子是假的，然后用 CSCV 过拟合概率、Deflated Sharpe、White's Reality Check 逐一去证伪。fork 之后把自己回测的日收益放进 audit 目录推上去，GitHub Actions 会在你自己的仓库里跑出结论，数据不经过任何第三方。它同时每天收盘后公开次日选股，时间戳先于开盘，事后不可修改。 亮点 自带的示例是 24 组纯随机数，其中最好的一组年化…
多数量化工具帮你找因子，这个反过来：它默认你找到的因子是假的，然后用 CSCV 过拟合概率、Deflated Sharpe、White's Reality Check 逐一去证伪。fork 之后把自己回测的日收益放进 audit 目录推上去，GitHub Actions 会在你自己的仓库里跑出结论，数据不经过任何第三方。它同时每天收盘后公开次日选股，时间戳先于开盘，事后不可修改。 亮点 自带的示例是 24 组纯随机数，其中最好的一组年化 Sharpe 是 1.11——这个数字大多数人会直接拿去实盘，而工具判定它是选择偏差，因为 24 次试验下纯噪声的期望最高值本来就是 1.18。 同类项目通常展示自己找到了什么，它展示的是自己否掉了什么：456 个已发表因子里，只有 1 个扛住了 30bp 的交易成本。 四种常见回测偏差都在真实 A 股面板上量化过，其中最大的一项是「挑因子」这个动作本身值 3bps/天，比多数已发表的股票因子结果还大——意味着一条无法审计自己挑选步骤的管线，根本分不清「发现」和「挑选的副产品」。 代码里不存在任何下单路径，CI 每次提交都会机械地断言这一点。
讨论这个产品