cnhkmcp 2.0.1__py3-none-any.whl

cnhkmcp/untracked/APP/Tranformer/template_summary.txt

@@ -0,0 +1,408 @@
+# BRAIN论坛Alpha模板精华总结
+
+本文档旨在系统性地整理和总结优秀Alpha模板,它是一种可复用的标准化框架性表达式，它承载着特定的经济逻辑，并预留出若干 “配置项”（包括数据字段、算子、分组方式、衰减规则、中性化方案等），用于生成多个候选阿尔法因子。其典型流程为：数据清洗（数据回填、缩尾处理）→ 跨时间或跨标的维度进行转换 / 对比 → 排序 / 中性化处理 →（可选步骤）衰减调整 / 换手率优化。这种模板模式能够推动系统化的因子挖掘、复用与多元化配置，同时确保每一个因子都具备清晰可追溯的经济逻辑支撑。
+以下每个模板都附有其核心思想、变量说明、适用场景及原帖链接，方便您理解、应用和进一步探索。
+使用时请思考如何将下列模板与有的Alpha表达式结合，创造出新的模板来捕捉和发现市场规律，找到”好“公司和”坏“公司
+**使用前请注意：**
+*   **过拟合风险**：部分模板可能存在过拟合风险，请谨慎使用，并结合IS-Ladder测试、多市场回测等方法进行验证。
+*   **参数调整**：模板中的参数（如时间窗口、数据集字段）需要根据您的具体研究目标和数据特性进行调整。
+*   **持续学习**：最好的模板是您自己创造的。希望本文档能激发您的灵感，而不是限制您的思维。
+
+---
+
+## From: Alpha Examples from Learn101
+
+### Momentum after news
+**Hypothesis**: After news is released, if a stock takes a longer time to rise, it may show strong evidence of upward momentum, and it could be beneficial to take a long position in it.
+**Expression**: `ts_backfill(vec_avg(nws12_prez_4l),504)`
+**Settings**: Region: USA, Universe: TOP500, Delay: 1, Decay: 0, Neutralization: INDUSTRY, Truncation: 0.08, Pasteurization: ON
+**逻辑链深度解析**:
+*   **时序相对性 (Step 4)**: 这是一个典型的时序信号。`ts_backfill` 的使用暗示了新闻数据是稀疏的（Step 4.2.4），需要填补空白以维持信号连续性。
+*   **算子深意**: `vec_avg` 用于聚合多维新闻向量，提取核心情绪/强度；`ts_backfill` 确保在无新闻日也能维持上一次的观点，直到新消息到来。
+**优化方向**:
+*   **去噪 (Step 0)**: 新闻情绪可能存在极端噪音，建议在 `vec_avg` 后增加 `winsorize` 或 `rank`。
+*   **从属信号 (Subordinate)**: 叠加 `Social Media Effect`。若新闻情绪好但社媒热度低（噪音少），则放大权重；若社媒过热，可能反转。
+*   **门限交易 (Step 5)**: 仅在新闻情绪显著偏离均值时交易，如 `trade_when(abs(zscore(news)) > 1.5, ...)`。
+
+### Pretax Income
+**Hypothesis**: Pretax income is a good measure of a company's financial health and profitability.
+**Expression**: `quantile(ts_rank(pretax_income,250))`
+**Settings**: Region: USA, Universe: TOP3000, Delay: 1, Decay: 4, Neutralization: MARKET, Truncation: 0.01, Pasteurization: ON
+**逻辑链深度解析**:
+*   **时序相对性 (Step 4)**: `ts_rank(..., 250)` 比较当前收入与过去一年的水平，寻找“自身改善”而非“绝对高收入”。
+*   **分布重塑 (Step 0)**: `quantile` 强制将信号拉伸为均匀分布，避免了极值影响，只关注相对排序。
+**优化方向**:
+*   **区间优化 (Step 2)**: 收入微弱变化可能只是噪音。可改用 `ts_zscore` 并只在 >1 或 <-1 时交易。
+*   **从属信号**: 引入 `market_cap`。大市值的收入创新高可能比小市值更稳健（质量溢价）。
+
+### Operating Earnings Yield
+**Hypothesis**: If the operating income of a company is currently higher than its past 1 year history, buy the company's stock and vice-versa.
+**Expression**: `ts_rank(operating_income,252)`
+**Settings**: Region: USA, Universe: TOP3000, Delay: 1, Decay: 0, Neutralization: SUBINDUSTRY, Truncation: 0.08, Pasteurization: ON
+**逻辑链深度解析**:
+*   **时序相对性 (Step 4)**: 纯粹的时序动量逻辑。`ts_rank` 将当前值映射到历史分位，捕捉“业绩改善”趋势。
+**优化方向**:
+*   **组内比较 (Step 3)**: 考虑行业周期性。先做 `group_zscore(operating_income, industry)` 再做 `ts_rank`，剔除行业景气度影响，只看个股相对行业的改善。
+*   **门限 (Step 5)**: `trade_when(ts_rank > 0.8, ...)` 只做多业绩显著改善的股票。
+
+### Appreciation of liabilities
+**Hypothesis**: An increase in the fair value of liabilities could indicate a higher cost than expected.
+**Expression**: `-ts_rank(fn_liab_fair_val_l1_a,252)`
+**Settings**: Region: USA, Universe: TOP3000, Delay: 1, Decay: 0, Neutralization: SUBINDUSTRY, Truncation: 0.08, Pasteurization: ON
+**逻辑链深度解析**:
+*   **反向信号**: 负号 `-` 表示这是一个反向指标（负债增加是坏事）。
+*   **时序相对性**: 同样基于 `ts_rank`，关注负债相对于自身历史的增长速度。
+**优化方向**:
+*   **去噪**: 负债数据可能存在跳变，建议先 `winsorize`。
+*   **从属信号**: 结合 `cash_flow`。若负债增加但现金流同时也大幅增加（良性杠杆），则不应做空。
+
+### Deferred Revenue
+**Hypothesis**: Firms with high deferred revenue will surprise the market in the future when the deferred revenue is recognized.
+**Expression**: `ts_backfill(fnd6_drc, 252)/assets`
+**Settings**: Region: USA, Universe: TOP3000, Delay: 1, Decay: 0, Neutralization: SECTOR, Truncation: 1, Pasteurization: ON
+**逻辑链深度解析**:
+*   **截面比较 (Step 3)**: 除以 `assets` 是为了标准化（Size Adjustment），使其在截面上可比。
+*   **数据填补 (Step 0)**: `ts_backfill` 处理财报数据的低频更新特性。
+**优化方向**:
+*   **行业中性 (Step 3)**: 递延收入在软件/服务业常见，在制造业少见。必须做 `group_zscore(..., sector)` 或 `neutralize`，否则只是在做多特定行业。
+*   **时序变化 (Step 4)**: 关注递延收入的 *增长率* `ts_delta`，而不仅仅是绝对值。
+
+### Reducing debt
+**Hypothesis**: Take a long position in companies whose debt has decreased compared to the past.
+**Expression**: `-ts_quantile(debt, 126)`
+**Settings**: Region: USA, Universe: TOP3000, Delay: 1, Decay: 0, Neutralization: MARKET, Truncation: 0.01, Pasteurization: ON
+**逻辑链深度解析**:
+*   **时序相对性**: `ts_quantile` 与 `ts_rank` 类似，捕捉债务下降趋势。
+**优化方向**:
+*   **从属信号**: 结合 `interest_coverage` (利息保障倍数)。只有在偿债能力弱的公司中，债务减少才最重要（困境反转逻辑）。
+
+### Power of leverage
+**Hypothesis**: Companies with high liability-to-asset ratios often leverage debt as a strategic tool.
+**Expression**: `liabilities/assets`
+**Settings**: Region: USA, Universe: TOP3000, Delay: 1, Decay: 0, Neutralization: MARKET, Truncation: 0.01, Pasteurization: ON
+**逻辑链深度解析**:
+*   **截面比较 (Step 3)**: 这是一个经典的截面因子（杠杆率）。
+**优化方向**:
+*   **非线性 (Step 1)**: 杠杆通常是倒U型关系（适度杠杆好，过高杠杆坏）。考虑使用 `bucket` 分段，或 `trade_when` 剔除极端高杠杆。
+*   **行业中性**: 银行/地产杠杆天生高，必须行业中性化。
+
+## From: Alpha Examples from Learn102
+
+### Social Media Effect
+**Hypothesis**: Poorly performing stocks are discussed more in general on social media platforms.
+**Expression**: `-scl12_buzz`
+**Settings**: Region: USA, Universe: TOP3000, Delay: 1, Decay: 0, Neutralization: INDUSTRY, Truncation: 0.01, Pasteurization: ON
+**逻辑链深度解析**:
+*   **反向指标**: 负号暗示“关注度高=坏事”（可能是负面新闻缠身）。
+*   **原始信号**: 直接使用 `buzz`，假设线性关系。
+**优化方向**:
+*   **去噪 (Step 0)**: 社媒数据极值多，必须 `log` 或 `winsorize`。
+*   **从属信号**: 结合 `sentiment`。若关注度高且情感为正，可能是好事；关注度高且情感负，才是做空机会。
+*   **门限**: `trade_when(rank(buzz) > 0.9, ...)` 只在极度热门时做空。
+
+### Valuation Disconnect Swing Short
+**Hypothesis**: A stock with high momentum and value score correlation suggests a disconnect between the stock's price and its intrinsic value.
+**Expression**: `-ts_corr(ts_backfill(fscore_momentum,66),ts_backfill(fscore_value,66),756)`
+**Settings**: Region: USA, Universe: TOP200, Delay: 1, Decay: 0, Neutralization: INDUSTRY, Truncation: 0.08, Pasteurization: ON
+**逻辑链深度解析**:
+*   **高阶统计量**: 使用 `ts_corr` 捕捉两个因子之间的动态关系，而非因子本身。
+*   **逻辑**: 动量与价值相关性高，意味着价格脱离基本面（泡沫），因此做空（负号）。
+**优化方向**:
+*   **窗口调整**: 756天（3年）非常长，捕捉的是长期结构变化。可尝试短窗口（如126天）捕捉短期背离。
+
+### Network Dependence
+**Hypothesis**: Long stocks of companies whose hub score of customers are low over the past two years.
+**Expression**: `-ts_mean(pv13_ustomergraphrank_hub_rank,504)`
+**Settings**: Region: USA, Universe: TOP1000, Delay: 1, Decay: 0, Neutralization: INDUSTRY, Truncation: 0.08, Pasteurization: ON
+**逻辑链深度解析**:
+*   **供应链逻辑**: 客户集中度/中心度过高可能意味着风险（依赖大客户）。
+*   **平滑 (Step 4)**: `ts_mean(..., 504)` 说明这是一个非常慢的变量，关注长期结构。
+**优化方向**:
+*   **从属信号**: 结合 `volatility`。高依赖度+高波动 = 极度危险。
+
+## From: Alpha Examples from Learn103
+
+### News-driven Volatility
+**Hypothesis**: Stocks of companies that face high differences in their prices after any news release can be subject to varying sentiments.
+**Expression**: `(ts_arg_max(ts_backfill(news_session_range, 20), 60))`
+**Settings**: Region: USA, Universe: TOP3000, Delay: 1, Decay: 0, Neutralization: SECTOR, Truncation: 0.08, Pasteurization: ON
+**逻辑链深度解析**:
+*   **事件驱动 (Step 4.2.3)**: `ts_arg_max` 寻找过去60天内波动最大的那一天（新闻日）。
+*   **算子深意**: 这不是直接用波动率，而是用“最大波动发生的时间距离”作为信号。
+**优化方向**:
+*   **衰减逻辑**: 结合 `days_from_last_change` 或 `exp_decay`，让信号随时间减弱。
+*   **从属信号**: 叠加 `IV Skew`。若波动大且 Skew 偏空，做空；若 Skew 偏多，做多。
+
+### Implied Volatility Spread as a predictor
+**Hypothesis**: If the Call Open interest is higher than the Put Open interest, the stock may rise based on the intensity of the implied volatility spread.
+**Expression**: `trade_when(pcr_oi_270 < 1, (implied_volatility_call_270-implied_volatility_put_270), -1)`
+**Settings**: Region: USA, Universe: TOP3000, Delay: 1, Decay: 4, Neutralization: MARKET, Truncation: 0.08, Pasteurization: ON
+**逻辑链深度解析**:
+*   **门限交易 (Step 5)**: `trade_when(pcr_oi < 1, ...)` 是典型的门禁逻辑。只有在看涨持仓量大于看跌时（情绪偏多），才使用 IV Spread 信号。
+*   **条件分支**: 不满足条件时给 `-1`（做空），这是一个激进的二元策略。
+**优化方向**:
+*   **平滑**: IV 数据跳动大，建议对 Spread 做 `ts_mean` 或 `ts_decay_linear`。
+
+## 《151 Trading Strategies》论文精华模板
+
+本部分总结自Zura Kakushadze与Juan Andrés Serur合著的《151 Trading Strategies》一文，重点提炼其中适用于BRAIN平台的股票类策略，并将其泛化为可复用的Alpha模板。
+
+---
+
+### 1. 风险调整后动量模板 (Risk-Adjusted Momentum)
+
+*   **模板表达式**: `ts_mean(ts_delay(returns, <skip_period>), <lookback_period>) / ts_std_dev(ts_delay(returns, <skip_period>), <lookback_period>)`
+*   **核心思想**: 这是对经典动量因子的改进。它计算的是过去一段时间（lookback_period）的"时序夏普比率"，即收益均值除以收益波动。同时，`ts_delay`跳过了最近一段时间（skip_period，通常为21天/1个月）的数据，以规避短期反转效应的干扰。该因子旨在寻找那些"高质量"的、持续且平稳的动量。
+*   **变量说明**:
+    *   `<skip_period>`: 跳过的近期交易日数，如 `21`。
+    *   `<lookback_period>`: 计算动量的回看窗口，如 `252`。
+*   **适用场景**: 通用性强，适用于构建稳健的动量类Alpha。
+*   **逻辑链深度解析**:
+    *   **时序标准化 (Step 4)**: 分子是收益均值，分母是波动率。本质是 Rolling Sharpe Ratio。
+    *   **去噪 (Step 0)**: `ts_delay` 跳过最近一个月，剔除了短期反转（Short-term Reversal）噪音，只保留中长期动量。
+*   **优化方向**:
+    *   **从属信号**: 叠加 `turnover`。在低换手率时，动量更可靠（量价配合）。
+    *   **残差化**: 先对 returns 做 `regression_neut` 剔除大盘影响，计算纯特异性动量。
+*   **适配自**: Section 3.1, "Price-momentum", `Rrisk.adj`
+
+### 2. 标准化盈利超预期模板 (SUE - Standardized Unexpected Earnings)
+
+*   **模板表达式**: `(fnd_eps_q - ts_delay(fnd_eps_q, 4)) / ts_std_dev(fnd_eps_q - ts_delay(fnd_eps_q, 4), 8)`
+*   **核心思想**: 捕捉超预期的盈利增长。它计算的是最新一季的EPS相较于去年同期的增量，并用该增量自身过去8个季度的波动性进行标准化。标准化后的值（SUE）越高，代表盈利惊喜越大，是经典的盈利动量因子。
+*   **变量说明**:
+    *   `fnd_eps_q`: 季度每股收益（EPS）字段。
+*   **适用场景**: `Fundamental`（基本面）数据集，用于事件驱动型Alpha。
+*   **逻辑链深度解析**:
+    *   **季节性调整**: `ts_delay(..., 4)` 比较同比季度，消除季节性影响。
+    *   **波动率标准化 (Step 0)**: 除以过去8季度的波动，将“惊喜”转化为标准差单位（Z-Score），使其在不同波动率的公司间可比。
+*   **优化方向**:
+    *   **事件衰减 (Step 4)**: 叠加 `days_from_last_change`，让 SUE 信号随财报发布时间衰减。
+    *   **从属信号**: 叠加 `Analyst Revision`。若 SUE 高且分析师上调预期，信号更强。
+*   **适配自**: Section 3.2, "Earnings-momentum", SUE
+
+
+### 4. 隐含波动率偏斜动量模板 (Implied Volatility Skew Momentum)
+
+*   **模板表达式**: `ts_delta(implied_volatility_call_<window>, <period>) - ts_delta(implied_volatility_put_<window>, <period>)`
+*   **核心思想**: 捕捉市场情绪的变化。看涨期权IV的上升通常与乐观情绪相关，而看跌期权IV的上升则与悲观或避险情绪相关。该模板计算Call IV的变化量与Put IV变化量之差，旨在做多情绪改善、做空情绪恶化的股票。
+*   **变量说明**:
+    *   `implied_volatility_call_<window>`: 不同期限的看涨期权隐含波动率。
+    *   `implied_volatility_put_<window>`: 不同期限的看跌期权隐含波动率。
+    *   `<period>`: 计算IV变化的时间窗口，如 `21` (月度变化)。
+*   **适用场景**: `Option`（期权）数据集，用于捕捉短中期市场情绪变化。
+*   **逻辑链深度解析**:
+    *   **时序变化 (Step 4)**: 关注的是 IV 的 *变化* (`ts_delta`) 而非绝对值。
+    *   **情绪差**: Call IV 涨幅 > Put IV 涨幅 -> 情绪改善。
+*   **优化方向**:
+    *   **门限**: `trade_when(abs(skew_delta) > threshold, ...)` 只在情绪剧烈变化时交易。
+    *   **事件驱动**: 在财报前（IV 高企时）该策略可能失效，需用 `days_to_earnings` 过滤。
+*   **适配自**: Section 3.5, "Implied volatility"
+
+### 5. 残差动量模板 (Residual Momentum)
+
+*   **模板表达式**: `ts_mean(regression_neut(regression_neut(regression_neut(returns, <factor_1/>), <factor_2/>), <factor_3/>), <window/>)`
+*   **核心思想**: 提纯动量信号。传统动量可能包含了市场Beta、市值、价值等多种因子的敞口。此模板通过连续的中性化（例如依次对`<factor_1/>`, `<factor_2/>`, `<factor_3/>`执行`regression_neut`）剥离可被通用因子解释的部分，然后仅对无法被解释的"残差等价物"部分计算动量。
+*   **变量说明**:
+    *   `<factor_1/>`, `<factor_2/>`, `<factor_3/>`: 市场通用因子，如 `mkt_beta`, `size_factor`, `value_factor`。
+    *   `<window/>`: 计算残差动量的时间窗口。
+*   **适用场景**: 通用性强，是因子提纯、构建高质量Alpha的关键步骤。
+*   **逻辑链深度解析**:
+    *   **提纯 (Step 0)**: 通过连续 `regression_neut` 剥离 Beta、Size、Value 等风格暴露。
+    *   **时序动量**: 对剥离后的残差求 `ts_mean`。
+*   **优化方向**:
+    *   **加权**: 使用 `ts_decay_linear` 代替 `ts_mean`，给予近期残差更大权重。
+    *   **组内比较**: 在残差基础上再做 `group_rank`，寻找行业内最强特异动量。
+*   **适配自**: Section 3.7, "Residual momentum"
+
+### 6. 风险加权回归均值回归模板 (Weighted Regression Mean-Reversion)
+
+*   **模板表达式**: `reverse(regression_neut(multiply(returns, power(inverse(ts_std_dev(returns, <window/>)), 2)), <group_matrix/>))`
+*   **核心思想**: 这是对标准行业中性化均值回归的增强。在对收益率进行行业中性化时，它为不同股票赋予了不同的权重。具体来说，它给历史波动率较低的股票更高的权重，认为这些股票的收益率数据更"可靠"，在计算行业均值时应占更大比重。
+*   **变量说明**:
+    *   `<group_matrix>`: 行业或分组的哑变量矩阵。
+    *   `weights`: 回归权重，通常是可靠性的度量，如 `1/variance`。
+    *   `<window>`: 计算波动率的时间窗口。
+*   **适用场景**: 适用于任何需要进行组内中性化或回归剥离的场景，尤其是当组内成员的信号质量或波动性差异较大时。
+*   **逻辑链深度解析**:
+    *   **加权最小二乘 (WLS)**: 使用 `1/variance` 作为权重，认为低波动的股票信息更可靠。
+    *   **均值回归**: `reverse` 捕捉残差的反转。
+*   **优化方向**:
+    *   **从属信号**: 引入 `liquidity` 权重。流动性好的股票回归更快。
+*   **适配自**: Section 3.10, "Mean-reversion – weighted regression"
+
+### 7. 移动平均线交叉模板 (Moving Average Crossover)
+
+*   **模板表达式**: `sign(ts_mean(<price/>, <short_window>) - ts_mean(<price/>, <long_window>))`
+*   **核心思想**: 经典的趋势跟踪策略。当短期均线上穿长期均线（"金叉"）时，表明短期趋势走强，产生买入信号。当短期均线下穿长期均线（"死叉"）时，表明趋势走弱，产生卖出信号。
+*   **变量说明**:
+    *   `<price/>`: `close`, `vwap` 等价格字段。
+    *   `<short_window>`: 短期均线窗口，如 `10`, `20`。
+    *   `<long_window>`: 长期均线窗口，如 `50`, `100`。
+*   **适用场景**: 适用于趋势性较强的市场或资产。
+*   **逻辑链深度解析**:
+    *   **低通滤波**: MA 本质是滤除高频噪音。
+    *   **二元信号**: `sign` 输出 +1/-1，不包含强度信息。
+*   **优化方向**:
+    *   **连续化 (Step 1)**: 去掉 `sign`，直接使用差值并标准化 (`zscore`)，保留强度信息。
+    *   **从属信号**: 结合 `ADX` (趋势强度指标)。只有在趋势强时才使用 MA 交叉。
+*   **适配自**: Section 3.12, "Two moving averages"
+
+
+
+### 9. 渠道突破模板 (Channel Breakout)
+
+*   **模板表达式**: `alpha = if_else(greater(close, ts_max(high, <window/>)), 1, if_else(less(close, ts_min(low, <window/>)), -1, 0)); reverse(alpha)`
+*   **核心思想**: 这是一个经典的反转策略。它定义了一个由过去N日最高价和最低价构成的价格渠道（Channel）。当价格向上突破渠道上轨时，认为市场过热，产生卖出信号（-1）；当价格向下突破渠道下轨时，认为市场超卖，产生买入信号（+1）。
+*   **变量说明**:
+    *   `<window>`: 定义渠道的时间窗口，如 `20`。
+*   **适用场景**: 适用于有均值回归特性的市场或个股。
+*   **逻辑链深度解析**:
+    *   **区间突破 (Step 2)**: 典型的“只在尾部交易”逻辑。中间区间为 0。
+    *   **反转逻辑**: `reverse` 赌突破是假突破（False Breakout）。
+*   **优化方向**:
+    *   **顺势/逆势切换**: 结合 `volatility`。低波时做反转（假突破），高波时做顺势（真突破）。
+*   **适配自**: Section 3.15, "Channel"
+
+
+### 11. 价值因子基础模板 (Value Factor)
+
+*   **模板表达式**: `group_rank(<book_value/> / <market_cap/>)`
+*   **核心思想**: 经典的价值投资策略。它旨在买入账面价值相对于市场价值被低估的"价值股"，并卖出被高估的"成长股"。最核心的衡量指标是账面市值比（Book-to-Price / Book-to-Market Ratio）。
+*   **变量说明**:
+    *   `<book_value/>`: 公司账面价值或每股净资产字段。
+    *   `<market_cap/>`: 公司市值或收盘价字段。
+*   **适用场景**: `Fundamental` (基本面) 数据集，作为构建多因子模型的基础因子之一。
+*   **逻辑链深度解析**:
+    *   **组内比较 (Step 3)**: 价值因子在不同行业间不可比（如科技 vs 银行），必须用 `group_rank`。
+*   **优化方向**:
+    *   **去噪**: 先 `winsorize` 再 `group_rank`。
+    *   **从属信号**: 叠加 `Quality` (ROE)。避免买入“价值陷阱”（便宜但烂的公司）。
+*   **适配自**: Section 3.3, "Value"
+
+
+
+### 13. 配对交易均值回归框架 (Pairs Trading)
+
+*   **模板表达式**: `signal_A = (close_A - close_B) - ts_mean(close_A - close_B, <window>); reverse(signal_A)`
+*   **核心思想**: 寻找历史上高度相关的两只股票（一个"配对"），当它们的价差（spread）偏离历史均值时进行套利。如果价差过大，则做空价高的股票、做多价低的股票，赌价差会回归。这是一个经典的统计套利和均值回归策略。
+*   **变量说明**:
+    *   `close_A`, `close_B`: 配对股票A和B的价格序列。
+    *   `<window>`: 计算历史价差均值的时间窗口。
+*   **适用场景**: 适用于同一行业内业务高度相似的公司，是构建市场中性策略的基础。
+*   **逻辑链深度解析**:
+    *   **协整关系**: 构造平稳序列 `Spread`。
+    *   **均值回归**: 赌 Spread 回归均值。
+*   **优化方向**:
+    *   **动态阈值**: 使用 `ts_std_dev(Spread)` 设定动态开仓线（如 2倍标准差）。
+    *   **止损**: 增加 `trade_when(abs(Spread) > 4*std, 0, ...)` 防止协整破裂。
+*   **适配自**: Section 3.8, "Pairs trading"
+
+---
+
+## 补充模板
+
+### A. Analyst交叉分组打底（模板名：示例）
+*   **核心结构**: `financial_data = ts_backfill(<vec_func/>(<analyst_metric/>), 60); gp = group_cartesian_product(country, industry); <ts_operator/>(<group_operator/>(financial_data, gp), <window/>)`
+*   **思想**: 先对分析师字段做向量聚合（`vec_avg`、`vec_kurtosis`、`vec_ir`等），用`group_cartesian_product`构建国家×行业组合，再做组内标准化/中性化+时序处理，形成稳定的截面信号。
+*   **变量要点**: `analyst_metric`覆盖`mdl26_*`、`star_arm_*`等Analyst/SmartEstimate场景；`vec_func`选择聚合方式；`group_operator`用于行业/国家组内的scale或neutralize；`ts_operator`用于时间平滑（`ts_mean`、`ts_zscore`等）；`window`在20/60/90/200之间取值。
+*   **适用场景**: 适合Analyst情感、预期修正类主题，想要跨国+行业分组的稳健截面信号。
+*   **逻辑链深度解析**:
+    *   **数据填补 (Step 0)**: 分析师数据稀疏，必须 `ts_backfill`。
+    *   **精细分组 (Step 3)**: `group_cartesian_product` 实现了“国家x行业”的精细化中性化，适合全球策略。
+*   **优化方向**:
+    *   **算子选择**: `vec_ir` (信息比率) 比 `vec_avg` 更能体现分析师的一致性。
+
+### B. 双重中性化（模板名：双重中性化:以Analyst15为例）
+*   **核心结构**: 与上类似，先`ts_backfill(vec_func(Analyst15字段), 60)`，再按国家×行业分组，做组内中性化与时序处理。
+*   **思想**: 针对`anl15_*`增长/估值/分红等字段，在截面层面做两次中性化（向量聚合后+组内处理），用于剥离共性行业/国家暴露。
+*   **变量要点**: 数据集中`anl15_*`覆盖多期增长率、PE、估值、分红等；`vec_func`与`ts_operator`选择决定信号平滑度；窗口建议60–200以保证填补稳定。
+*   **适用场景**: Analyst15预期修正、估值再定价类信号，需要同时消化国家+行业噪音的场景。
+*   **逻辑链深度解析**:
+    *   **多重剥离**: 彻底消除风格暴露，追求纯 Alpha。
+*   **优化方向**:
+    *   **顺序**: 先做行业中性，再做国家中性，通常更符合基本面逻辑。
+
+### C. 组间比较（模板名：组间比较_GLB_topdiv）
+*   **核心结构**: 先在`country × <group1/>`分组内对回填后的向量聚合结果做`ts_zscore`和`group_zscore`，再计算组均值/极值（`group_min/median/max/sum/count`），用`resid = <compare/>(alpha, alpha_gpm)`求组间残差，最后再做组内+时序处理。
+*   **思想**: 对同一层级（如行业/子行业/交易所）之间的相对强弱做剥离，得到“相对组均值”的残差信号，适合跨组对比的Alpha挖掘。
+*   **变量要点**: `analyst_field`来源于`fnd8_*`基本面/现金流字段；`vec_op`可选`vec_max/avg/min`；`compare`可用`regression_neut`或`signed_power`提取残差；`t_window`取20/60/200/600，控制平滑与稳定性。
+*   **适用场景**: GLB区域的分红/现金流因子（topdiv）在国家+行业框架下的相对价值比较，关注跨组差异的策略。
+*   **逻辑链深度解析**:
+    *   **相对价值**: 关注的是“我在我的组里是否优秀”，而不是“我绝对值多少”。
+*   **优化方向**:
+    *   **非线性**: 使用 `rank` 代替原始值计算残差，对异常值更鲁棒。
+
+### D. 组间比较（Analyst15版，模板名：组间比较_glb_topdiv_anl15）
+*   **核心结构**: 与上一模板相同，但`analyst_field`替换为`anl15_*`系列的增长/估值/分红字段。
+*   **思想**: 通过对Analyst15增长与估值预期的组间残差建模，捕捉行业/国家层面的相对高低估与预期修正。
+*   **变量要点**: `group1`可选industry/subindustry/sector/exchange；`compare`与`group_stats`同上；`ts_op`和`group_op`用于残差后再标准化和时序平滑。
+*   **适用场景**: 全球范围GLB，基于Analyst15预期数据的组间相对价值或动量信号。
+*   **逻辑链深度解析**:
+    *   **预期差**: 寻找行业内被分析师低估/高估的股票。
+*   **优化方向**:
+    *   **时序叠加**: 结合 `ts_delta`，寻找“行业内预期提升最快”的股票。
+
+### E. 顾问分析示例（模板名：顾问分析示例）
+*   **核心结构**: `financial_data = ts_backfill(<mixdata/>, 90); gp = industry; <ts_operator/>(<group_operator/>(financial_data, gp), <window/>)`
+*   **思想**: 直接对`anl69_*`多字段做90日回填，行业组内标准化后再做时序平滑，生成简洁的行业中性信号。
+*   **变量要点**: `mixdata`覆盖`anl69_*`的EPS/EBIT/现金分红/目标价/报告日期等；`ts_operator`可用`ts_zscore`、`ts_scale`、`ts_rank`等；`window`提供60/120/220/600可调节频率。
+*   **适用场景**: Analyst69数据驱动的行业内预期跟踪、财报节奏/指引变化监控。
+*   **逻辑链深度解析**:
+    *   **标准流程**: 填补 -> 截面标准化 -> 时序平滑。这是构建稳健因子的标准三板斧。
+*   **优化方向**:
+    *   **事件驱动**: 在财报日前后缩短 `ts_mean` 的窗口，提高灵敏度。
+
+---
+
+## 新增模板（CAPM與估值、分析師期限、期權、搜尋優化）
+
+### 1. CAPM殘差模板（市場/行業中性收益）
+*   **表達式**: `ts_regression(returns, group_mean(returns, log(ts_mean(cap,21)), sector), 252, rettype=0)`。
+*   **核心思想**: 回歸剔除市場/行業暴露，保留超額收益殘差作為Alpha。
+*   **適用場景**: 通用起手式，回歸殘差可作後續動量或價值信號的底板。
+*   **優化**: 改`rettype=2`獲取beta斜率，用於風險排序或低/高beta組合；可加入`winsorize`、`ts_backfill`預處理。
+
+### 2. CAPM廣義殘差（任意特徵）
+*   **表達式**: `data = winsorize(ts_backfill(<data>,63), std=4); gpm = group_mean(data, log(ts_mean(cap,21)), sector); resid = ts_regression(data, gpm, 252, rettype=0)`。
+*   **核心思想**: 將任意特徵去除組均值成分，提取行業相對的特異性部分。
+*   **適用場景**: 基本面、情緒、替代數據的組內殘差提純。
+*   **優化**: 先`group_zscore`再回歸；對`resid`再做`ts_zscore`或`ts_mean`平滑。
+
+### 3. CAPM Beta排序模板
+*   **表達式**: `target_data = winsorize(ts_backfill(<target>,63), std=4); market_data = winsorize(ts_backfill(<market>,63), std=4); beta = ts_regression(target_data, group_mean(market_data, log(ts_mean(cap,21)), sector), 252, rettype=2)`。
+*   **核心思想**: 提取行業內相對beta，作為風險/防禦排序；低beta偏防禦，高beta偏進攻。
+*   **優化**: 行業或國家分組；可按beta分桶做長低/短高，或反向用於高波段套利。
+
+### 4. 實際-預估差異模板（Analyst Surprise）
+*   **表達式**: `group_zscore(subtract(group_zscore(<act>, industry), group_zscore(<est>, industry)), industry)`。
+*   **核心思想**: 行業內標準化後的實際值與預估值差，捕捉超預期或低於預期的驚喜。
+*   **適用場景**: analyst7/analyst14/earnings估值類字段。
+*   **優化**: 對差分再做`ts_zscore`；門檻交易只在|z|>1.5時開倉。
+
+### 5. 分析師期限結構模板（近遠期預估斜率）
+*   **表達式**: `group_zscore(subtract(group_zscore(anl14_mean_eps_<p1>, industry), group_zscore(anl14_mean_eps_<p2>, industry)), industry)`，`<p1>/<p2>`為fp1/fp2/fy1/fy2等。
+*   **核心思想**: 比較短期與長期預估的行業內斜率，捕捉預期加速或鈍化。
+*   **適用場景**: analyst14/15 期別字段；適用成長/拐點挖掘。
+*   **優化**: 擴展到多期間差分或`ts_delta`跟蹤斜率變化；對斜率做`rank`或`winsorize`。
+
+### 6. 期權Greeks淨值模板
+*   **表達式**: `group_operator(<put_greek> - <call_greek>, <group>)`，Greek可選Delta/Gamma/Vega/Theta。
+*   **核心思想**: 同組內看多vs看空的期權敏感度差，反映隱含情緒或凸性差異。
+*   **適用場景**: Option數據集；行業或市值分組下的情緒/波動信號。
+*   **優化**: 多Greek加權組合；對淨值再`ts_mean`平滑；事件期(財報)可降權或過濾。
+
+### 7. IV Skew動量擴展
+*   **表達式**: `ts_delta(implied_volatility_call_<w>, <p>) - ts_delta(implied_volatility_put_<w>, <p>)`。
+*   **核心思想**: Call與Put隱含波動變化差捕捉情緒轉折；可做多情緒改善、做空情緒惡化。
+*   **優化**: 加`trade_when(abs(skew)>thr)`門檻；財報前後縮窗；行業中性。
+
+### 8. 殘差動量精簡版
+*   **表達式**: `res = regression_neut(returns, <common_factor_matrix>); ts_mean(res, <window>)`。
+*   **核心思想**: 先剝離市場/風格暴露，再對特異收益做動量；較原版多重回歸更輕量。
+*   **優化**: 使用`ts_decay_linear`增加近期權重；行業內`group_rank`提升截面穩定度。
+
+### 9. 分紅/現金流組間殘差（簡版）
+*   **表達式**: `alpha = ts_zscore(ts_backfill(<cf_or_div_field>,90)); g = group_mean(alpha, <group>, <weight_opt>); resid = alpha - g; group_zscore(resid, <group>)`。
+*   **核心思想**: 先回填平滑，再對組均值做殘差，捕捉組內相對高/低分紅或現金流質量。
+*   **適用場景**: fnd8/fnd6/topdiv等分紅現金流字段；行業/國家分組。
+*   **優化**: 權重可用log(cap)或vol逆；對resid再做`ts_mean`平滑。

cnhkmcp/untracked/APP/Tranformer/transformer_config.json

@@ -0,0 +1,7 @@
+{
+  "LLM_model_name": "kimi-k2-turbo-preview",
+  "LLM_API_KEY": "sk-xxxxxxx",
+  "llm_base_url": "https://api.moonshot.cn/v1",
+  "username": "xxxxx@xxx.com",
+  "password": "xxxxxxxx"
+}