多因子研究：先定义数据，再检验假设

从一个可检验的问题开始

“某类股票表现更好”只是问题的起点。研究记录需要先写清因子怎么算、用什么股票范围、多久更新一次，以及结果对应的持有区间。估值、规模、动量等名称相同，并不保证不同资料使用相同的计算定义。

一个便于复核的假设可以描述为：在预先约定的样本和时间窗口内，按照明确指标排序形成的分组，是否存在稳定的收益差异？这里的“稳定”需要另行规定评价方式，而不是看到一条漂亮曲线后再决定。

先画出数据时间线

财务数据的报告期与公告日期是两件事。研究某个历史时点时，应使用当时已经披露的信息，而不是后来修订后的最终数据。股票池也应考虑当时可见的上市、退市、停牌记录，避免只保留今天还存在的公司。

建议为每次数据读取保留来源、版本、字段单位和获取日期；对缺失值明确记录处理规则。缺失不等于零，也不应在看到结果后随意删除不利样本。

分开开发与检验

用于选择变量、标准化、调参的数据，与最终检验数据应分开。scikit-learn 的官方文档说明：预处理参数应从训练数据学习，测试数据只接受相同变换，避免信息泄漏。具体到市场序列，还应按时间安排检验，而不是让未来样本参与过去的决策。阅读数据泄漏说明。

把交易条件也记录下来

研究记录至少说明调仓时点、交易费用、停牌及涨跌停处理、价格复权方式和成交假设。观察到价格不代表当时能按该价格成交。费用和成交条件变化时，结果应重新计算。

本站目前没有发布经过上述流程验证的多因子业绩，也没有给出可直接交易的组合。

阅读来源与边界

Kenneth French 数据库提供因子数据与定义，可用于学习如何记录研究口径。其市场、样本和定义不等于 A 股策略的效果证明。

可复核的下一步是整理字段字典和时间线，再设计检验；不是直接把学术因子名称当作买入依据。