WQ Alpha 研究技能
面向 WorldQuant BRAIN 的自进化 Alpha 研究手册：从字段查找、表达式设计到回测、IS 检查、提交与低相关组合构建，一次流程全覆盖。
凭据处理有环境变量优先与 .gitignore 保护、脱敏披露意识较好，属加分项；但扣分点明确：脚本可自动完成 submit（外部不可逆副作用）且无用户确认门控、无回滚机制，credential.txt 明文 JSON 密码方案是较弱的凭据习惯，第 11 节要求 AI 自动改写 SKILL.md 的'自进化'缺少变更审查边界。综合得 14。
SKILL.md 内代码片段自洽、含 429 退避、201≠上线等失败反馈，属亮点；但扣分：7.3/7.5 缺少 time 导入等运行细节、引用的 scripts/evolve_skill.py 与 references/ 文件未在本次证据中验证、模拟轮询无超时上限、异常处理多为静默 continue 会吞掉诊断信息。静态证据仅支持'快乐路径可信'，得 9。
触发描述清晰，中英文双语触发词明确，字段/模板/诊断场景边界划分良好；扣分：核心功能完全依赖 api.worldquantbrain.com（中国大陆可达性存疑且未披露），仅覆盖 USA TOP3000 delay=1、其他 region 需重新拉取但未提供机制说明。得 10。
README 声明 CC BY-NC 4.0 许可、目录结构清晰、安全注意事项完整；扣分：无版本号与 changelog、维护责任仅靠微信群二维码、'自进化'机制会自动追加内容带来文档漂移风险、许可证元数据在 SKILL.md 侧缺失。得 8。
playbook 结构完整、含决策树/模板/检查清单/诊断表，静态可判断对目标用户有明确边际价值；扣分：核心价值主张（4 天零人工干预、金牌）属不可验证的营销断言，失败统计（90.7% 等）与通过率数据来源不明，静态无法确认脚本可直接产出可用结果。得 6。
字段快照、经验规则可抽样核对，README 有一定事实/推断分层；扣分：关键实证结论（相关系数、通过率、金牌效果）无独立可复现证据，无测试、无 CI 证据覆盖关键路径，静态证据天花板为 5 以下。得 4。
- 脚本可自动提交 alpha 至 WorldQuant BRAIN（不可逆外部操作），使用前务必人工确认每次提交。
- credential.txt 明文密码方案较弱，建议仅使用环境变量并确认文件未被 git 跟踪。
- 核心功能依赖 api.worldquantbrain.com，中国大陆网络可达性未披露，可能需要代理。
- '4 天零人工干预/金牌'等宣传性结论与失败统计数据均无独立证据，仅作参考。
- 引用的 scripts/ 与 references/ 文件未在本次静态审查中验证存在性与正确性。
- 自进化机制会修改 SKILL.md，--apply 前务必审查预览输出。
- 许可证为 CC BY-NC 4.0（禁止商用），商用场景不适用。
这个 Skill 能做什么，适合哪些场景？
该技能将 WorldQuant BRAIN 平台上的 Alpha 挖掘流程整理成一份结构化 playbook（SKILL.md），覆盖字段选择、FASTEXPR 表达式设计、回测、IS 检查诊断、提交验证和组合构建全环节。内置 USA TOP3000 delay=1 全部 4367 个数据字段的本地快照，可离线搜索，无需反复调用 API。配套脚本 evolve_skill.py 可在每次与 BRAIN 交互后把新的实战经验回写到技能文件，实现自我进化。作者宣称基于此流程 4 天零人工干预达到 BRAIN 金牌，但这一结果无法从仓库内容独立验证。
读取本地 references/ 目录下的字段 JSON/CSV 快照，按关键词或类别搜索 USA TOP3000 字段；按因子类型（基本面/分析师/技术/情绪）给出推荐模板与默认参数（decay、中性化、truncation 等）；通过 WorldQuant BRAIN API 完成认证、模拟回测、拉取 ACTIVE alpha、基于日收益计算与已有因子的相关性；诊断 LOW_SHARPE、LOW_FITNESS、HIGH_TURNOVER 等常见 IS 检查失败并给出修复方案；运行 scripts/evolve_skill.py 将新增/状态变化的 alpha 对比本地 alpha_db.，生成经验条目（--apply 模式写回 SKILL.md 与 alpha_db.）。
- 已注册 WorldQuant BRAIN 的个人用户想批量挖掘 Alpha，需要一套模板化、可自动提交的研究流程
- 研究者反复卡在 LOW_SHARPE / SELF_CORRELATION 检查，需要系统化的失败诊断和经验积累机制
- 新 BRAIN 用户需要一份 USA TOP3000 delay=1 的字段速查表和按数据类别的通过率统计作为起点
- 已有多个 ACTIVE alpha 的用户想在提交前用日收益相关性做去重筛查，避免无效提交
- 希望把每次回测和提交结果沉淀为可复用研究规则的量化 agent 用户
这个 Skill 有哪些优点和局限？
- 内置 4367 个 USA TOP3000 delay=1 字段的本地快照，字段查找可离线完成，节省 API 调用
- 附带实证统计（如 LOW_SHARPE 占失败 90.7%、基本面通过率 40%），模板和参数有数据支撑
- 明确强调用日收益而非累计 PnL 计算相关性，并解释了累计曲线失真的原因
- 自进化脚本带预览模式，不修改文件即可审查输出，且强制私有数据（alpha_db.、credential.txt）不入库
- 指出 201 响应不等于提交成功，强调提交后必须验证 ACTIVE 状态
- 只覆盖 USA TOP3000 delay=1，其他 Region/Universe/Delay 需自行重新拉取字段
- "4 天金牌"的说法无法从仓库内容独立验证，属作者自述
- 没有测试套件，脚本质量依赖作者个人经验，API 变更可能静默失效
- 使用需要真实的 BRAIN 账号和密码（凭据明文或环境变量），有账号安全考量
- SKILL.md 大部分为中文，英文用户体验打折扣；许可证元数据与 README 声明的 CC BY-NC 4.0 需自行核实
如何安装这个 Skill？
将仓库克隆到本地 agent 技能目录（如 Claude Code 的 skills 文件夹）。安装 Python 依赖：requests 和 numpy。设置 BRAIN 凭据：导出 WQ_BRAIN_USERNAME / WQ_BRAIN_PASSWORD 环境变量，或在技能目录放一个被 .gitignore 忽略的 credential.txt（内容为 ["用户名", "密码"] JSON 数组）。仓库未提供一键安装脚本，SKILL.md 即技能入口。
如何使用这个 Skill？
首先阅读 SKILL.md 作为操作手册。典型流程：用本地字段快照搜索字段 → 用 rank(field) 简单模拟验证字段可用性 → 按第 4 节模板设计表达式并回测 → 检查 Sharpe/Fitness/Turnover/相关性 → 通过 API 提交并二次确认 status == ACTIVE。回测/提交后运行 python scripts/evolve_skill.py 预览经验条目，审查后用 --apply 写回本地文件。触发提示词示例："帮我在 BRAIN 上设计一个基于 operating_income/equity 的基本面因子，并检查与已有 ACTIVE alpha 的日收益相关性。"