探索 Alpha
從研究與市場行為中找出值得測試的問題。
1 研究問題
哪些業績事件後的訊號，在計入真實交易成本及樣本外驗證後仍具預測力？
股票池香港大型股
研究期1–20 個交易日
2 假設
H1 · 盈利預測修訂業績驚喜後的分析員修訂
H2 · 成交量延續事件後異常參與度
H3 · 情緒背離價格反應與文字訊號差異
3 實驗
EXP-01 · 修訂 × 漂移基準 · 已計交易成本
EXP-02 · 成交量篩選滾動樣本外驗證
EXP-03 · 情緒差挑戰中
4 候選策略
STR-12修訂延續
STR-18情緒背離
STR-21流動性反轉
5 驗證
0.68示意評分
樣本外 通過獨立複現 通過成本壓力 通過穩定性 覆核
完整研究循環
從問題到證據，在同一個系統內完成。
Alpha OS 的目標是連接研究流程，而不是堆疊彼此分離的 AI 功能。
建立假設
把構思寫成明確、可檢驗的主張。
建立策略
把假設轉成透明的策略規格。
回測
以受控假設及真實成本評估策略。
挑戰
測試資料洩漏、脆弱性及過度擬合。
驗證
透過留出樣本、複現及穩健性測試建立信心。
學習
把證據與失敗變成可重用的研究記憶。
Alpha Mining
系統化尋找值得研究的問題。
Alpha OS 的設計方向是結合金融研究、市場及事件數據、價格與成交量行為、過往實驗及投資組合需求，建立具優先次序的研究機會管道，而不是隨機產生大量策略。
Strategy Intelligence
把構思轉化為明確實驗。
研究假設會轉成可審核的定義，包括股票池、訊號、進出場、倉位、風險、數據需求、執行假設及驗證規則。
Alpha Command
把回測當作實驗，而不是漂亮截圖。
Alpha Command 是實驗層：可重現回測、參數研究、跨股票分析、市場環境拆解、成本與執行假設，以及版本化結果。
挑戰與驗證
結果越吸引，越需要更嚴格檢驗。
研究完整性層的目標包括資料時序、參數敏感度、執行假設、留出樣本紀律、統計脆弱性及獨立複現。
核心研究原則
先證偽。
找到漂亮回測並不代表研究完成。Alpha OS 的設計目標是主動挑戰最有吸引力的結果，檢驗假設，並淘汰無法經受考驗的策略。
Alpha OS 不只尋找策略成立的理由，也主動尋找它不成立的理由。
2.31夏普比率
前視資料問題偵測到
參數不穩定偏高
執行假設已修正
資料窺探風險覆核
0.68夏普比率
決定否決未達穩健性門檻。
以上僅為示意例子，並非 Predvix 的歷史投資表現。
研究原則
Alpha OS 背後的研究規則。
以下是我們希望自主量化研究遵守的方法論方向。Alpha OS 仍在開發中，這些是產品設計原則，而不是所有功能已經完全投入生產的聲稱。
優化之前先寫下假設。
把經濟構思與程式碼分開，先定義應該發生甚麼、為何發生、需要哪些數據，以及甚麼證據會推翻它。
讓實驗可以重新執行。
保存策略規格、數據假設、參數、成本、執行條件及理解結果所需的環境資訊。
最漂亮的結果更值得被攻擊。
測試鄰近參數、時序偏移、成本壓力、市場環境、資料洩漏及其他解釋。
保護未參與開發的資料。
開發、驗證與留出資料應有不同地位；一旦留出樣本影響策略選擇，研究記錄應明確標示。
重要發現應獨立重建。
在可行時，讓另一個實作只看到假設而非原始程式碼，嘗試獨立複現結果。
把失敗研究保存成知識。
被否決的假設、錯誤條件及複現失敗同樣有價值，研究記憶應從正負結果一起累積。
適用對象
為認真的量化研究而建。
無論你帶領一支團隊，還是獨力管理自己的資金，都用同一套研究循環。研究紀律不應該取決於團隊人數。
機構
系統化研究，同時維持驗證標準。
為團隊建立一條可審核的路徑，從研究問題走到證據；每項實驗都有版本，每次否決都被保留。
- 自營交易團隊 提升研究產出，驗證標準不放鬆
- 家族辦公室 建立可審核的內部投資研究流程
- 資產管理機構 把研究構思與量化證據連接起來
- 研究團隊 在不同研究者與實驗之間保留機構記憶
個人
沒有機構，也能用機構的方法。
與專業交易團隊相同的「先挑戰」流程，讓你獨力建立的策略同樣要通過該通過的檢驗。
- 獨立量化研究者 把研究問題變成可重現的實驗
- 系統化散戶交易者 投入資金前先把想法測試清楚
- 有志成為量化研究員的人 在流程之中學會流程
- 金融科系學生 練習經得起真實檢驗的研究
研究記憶
即使策略失敗，研究也應該變得更聰明。
Alpha Forge 是 Alpha OS 的知識層，讓來源、主張、假設、實驗、結果及矛盾保持連結。每項重要研究都以版本化的 research object 保存：研究問題、機制、股票池、數據、策略定義、實驗規則、結果、穩健性測試、矛盾證據、複現結果及狀態。
結論連結來源
把發現連回研究、數據、假設及產生該結果的實驗。
版本化研究歷史
保存策略定義、參數、環境、結果及後續挑戰。
機構失敗記憶
保存構思失敗的原因，避免未來重複同一錯誤。
累積研究背景
利用過往證據改善未來的研究排序及實驗設計。