Project 6 — Machine Learning Alpha

研究目标仍是 planned；基础线性管线已有构造数据实现与限定范围接受。当前没有真实市场实证：真实数据状态为 blocked，完整 Project 6 尚未完成或登记为 verified。下文区分已接受的教学实现与仍待完成的完整项目，不把构造结果称为市场证据。

当前范围与状态

本页、数据字典和基础管线报告说明 A8-A 基础层。它们不替代 A8-B 报告，也不表示完整 Project 6 或真实研究已完成。BIL19 候选入口见 v2 教学指南、v2 研究报告、项目答案 与 P6 练习册；候选的接受状态仍待当前主控独立审阅。

研究问题与数据

在构造面板中，能否用按时间分组的验证和训练内选择，把收盘时可用的价格与特征映射为下一期收益预测，并形成成本后的美元中性组合？基础配置共 46 个特征：3 个有非零构造载荷的特征、40 个零载荷噪声特征和 3 个价格特征。载荷和情景边界见冻结配置及基础管线报告。这些数值只用于检查教学机制与代码，不支持市场 alpha 结论。

真实数据必须先满足 data_manifest.json 中的数据来源、许可、字段、样本和保存要求；目前没有获准冻结的真实数据输入。

方法与时间契约

1. 明确特征生成、可用时点、标签区间与预测 horizon。
2. 按日期分组执行扩张窗验证；先排除标签尚未成熟的训练行，再处理适用的时间隔离。禁止 shuffled K-fold，也不能把同一信号日的资产行拆到不同侧。
3. 在训练数据内拟合预处理并选择基准或模型超参数；外层测试只用于评价。
4. 将预测转为去均值、美元中性的目标权重，按配置计交易费用，并分别报告预测指标和组合指标。

基础面板的信号形成于 $D_k$ 收盘。标签从 $D_{k+1}$ 收盘到 $D_{k+6}$ 收盘，含 5 个收盘到收盘区间；标签在终点收盘后才可用于拟合。组合在信号日后的下一交易日收盘执行，并每 5 个信号日调仓。每日 NAV 由组合账本逐日标记；5 日标签不是逐日持有收益。完整字段、缺失规则和费用口径见数据字典。

基础层入口

• configs/p06_base_v1.json：冻结的构造配置。任何新设定都应使用新版本并保留 v1。
• src/p06_pipeline.py 与共享模块 quant_course.ml_pipeline：构造输入、标签、按日期验证、预测、权重、账本和指标。
• run_project06.py --data constructed --out <new-directory>：从构造输入启动一次新的完整基础管线；输出目录必须是新目录。
• run_project06.py --data real --out <new-directory>：当前真实数据状态下返回 blocked，不写输出。
• tests/test_p06_pipeline.py 与 tests/test_ml_pipeline.py：历史接受流程中的实现检查。
• notebooks/p06_baseline.ipynb：随交付包提供的读者入口，需按 Notebook 内标注辨别其具体运行模式。
• data_manifest.json、data_dictionary.md、research_report/README.md：数据要求、字段与历史构造结果。

读者回放与新运行的区别

I3 阅读包中的默认 P6 Notebook 是冻结展示回放：它读取 fixtures/projects/project06/ 下的摘要、展示审计和 NAV 图片，不调用 p06_pipeline.run，不重训，也不重算逐日 IC 或配对日期。Notebook 只创建唯一的 RUN_DIR 并展示打包内容；创建目录不代表产生了新的模型运行。Notebook 中把这段流程称为“冷启动运行”的旧文字已过时，实际代码和读者模式标签界定了当前执行行为。

执行 run_project06.py --data constructed ... 会另行生成构造数据、训练模型并写出预测、折记录、权重、账本和摘要，是一次新的运行，具有自己的运行身份。不要把它与 I3 的展示回放或其冻结数值混作同一次运行。

I3 的两份基础/反号摘要与历史 rw_qa2 摘要逐字节一致；与 qa_r3 比较时，除 /seconds 外所有摘要字段相同。qa_r3 与 rw_qa2 仍是不同运行身份，未检查的 CSV、权重和账本不能据此视为相同。摘要中 13 组相互对应的 NaN 表示指标未定义，不能当作零。历史 IC 配对日期审计有独立的冻结行证据来源，见报告第 3.4 节。

P6v2 的 I3 阅读 Notebook 是另一份冻结回放：9 个单元格、其中 4 个代码单元格；它回放两份摘要、IC 日期基数及历史消融/稳定性展示，并从冻结摘要生成 historical_constructed_trees_sharpe.png 写入 RUN_DIR。fit 标记为 SKIPPED，不重训。该展示与本段的基础 Notebook 及任何新的完整 CLI 运行身份分开。

交付与解释

• data_manifest.json：数据来源、许可边界、样本、单位、SHA-256 与数据版本。
• data_dictionary.md：字段、单位、主键、时点、标签与缺失规则。
• notebooks/：读者入口；核心实现位于 src/。
• src/、tests/、configs/：管线实现、历史检查和冻结配置。
• figures/：构造结果图及相应轴和数据说明。
• research_report/：构造假设、方法、历史结果、成本、负结果和限制。
• BIL19 的 solutions.md 与双语题目答案已形成作者候选，仍待独立审阅。不得用教学模拟替代真实数据实证。

报告必须保留零结果和负结果。Spearman IC、样本外 $R^2$ 与成本后组合收益回答不同问题，需分别呈现。比例费用之外，借券费、融资利差、市场冲击、容量和保证金成本未建模。真实数据上的研究结论仍然 blocked。

BIL18 基础层为限定范围接受、待正式整合。BIL19 的树/PCA 指南、报告、练习答案和双语 练习册 属候选，待独立审阅；BIL23 处理 Notebook 语言投影。真实数据仍 blocked，P6 完整项目仍未 verified。

完整题面与答案采用P6-L01–L08、P6-T01–T04；后四题覆盖标签成熟、同日联合置换、全维PCA证明及事件账本演算。