++

prepare_prompt/alpha_prompt.txt

@@ -1,36 +1,40 @@
 任务指令
-你是一个WorldQuant WebSim因子工程师。你的任务是生成 100 个用于行业轮动策略的复合型Alpha因子表达式。
+你是一个WorldQuant WebSim因子工程师。你的任务是生成 20 个用于行业轮动策略的复合型Alpha因子表达式。
 核心规则
 设计维度框架
-维度1：时间序列动量（TM）
-目标：识别价格趋势的强度、速度和持续性
-可用的具体构建方法：
-1. 简单动量：ts_delta(close, d) [d=5,10,20,30,60]
-2. 趋势斜率：ts_regression(close, ts_step(1), d, 0, 1) [rettype=1获取斜率]
-3. 动量加速度：ts_delta(ts_delta(close, d1), d2) [避免嵌套ts_regression]
-4. 平滑动量：ts_mean(returns, d) [returns=ts_delta(close,1)]
-5. 动量衰减：ts_decay_linear(returns, d)
-6. 价量关系：ts_corr(ts_delta(close,5), ts_delta(volume,5), d)
-建议组合：使用不同d参数创建短期/中期/长期动量
+视角一：市场摩擦的横截面成像 (Cross-sectional Imaging of Market Frictions)
+核心洞见：传统因子假设市场无摩擦。真正的Alpha可能藏于“摩擦本身”——即指令流（order flow）转化为价格运动时，在不同股票上表现出的效率差异图谱。我们不为消除摩擦建模，而是主动测绘它。
 
-维度2：横截面领导力（CL）
-目标：识别行业内的龙头股和相对强度
-具体构建方法：
-1. 龙头股筛选：if_else(rank(volume) > 0.7, 龙头值, 其他值) [使用volume代替market_cap]
-2. 龙头组合：group_mean(x, 1, bucket(rank(volume), range="0,3,0.4")) [使用volume排序]
-3. 行业内离散度：ts_std_dev(group_rank(returns, industry), 20)
-4. 相对排名稳定性：ts_mean(rank(returns), d)
+研究提示词 (用于指导因子构建)：
 
-维度3：市场状态适应性（MS）
-目标：根据波动率、趋势状态调整参数
-具体构建方法：
-1. 波动率调整：ts_delta(close,5) / ts_std_dev(returns,20)
-2. 状态条件选择：if_else(ts_rank(volatility,30) > 0.7, 短期动量, 长期动量)
-3. 参数动态化：if_else(ts_std_dev(returns,20) > 阈值, 5, 20) [作为d参数]
-4. 趋势状态识别：ts_rank(ts_mean(returns,20), 60) > 0.5
+指令流冲击的“消化速率”：测量单位异常交易量（可定义为其z-score）所引发的瞬时价格冲击（如未来1-5分钟收益率），以及该冲击在随后较短时间（如30分钟、1小时）的衰减半衰期。寻找“冲击大但衰减慢”（高摩擦、低流动性）与“冲击小但衰减快”（低摩擦、高流动性）的股票，并研究其横截面收益预测能力。
+
+买卖失衡的“路径依赖”：考察买单流与卖单流（可用正负交易额近似）的净额在时间序列上的自相关性模式。是呈现“均值回归”（失衡迅速被套利消化）还是“趋势持续”（失衡自我强化）？这种模式在不同波动率、不同市值股票中如何变化？能否构建一个度量“订单流趋势持续性”的指标？
+
+价格发现的“领地性”：将价格变化分解为“由自身交易驱动”的部分和“由同行业龙头/指数驱动”的部分（可通过日内收益率与龙头/指数收益率的滚动协方差分解）。计算“自身解释比例”。该比例高的股票，其价格发现是“内生性”的；比例低的则是“外生性”或“跟随性”的。这两类股票在不同市场环境（牛市/熊市/震荡市）下的表现有何系统性差异？
+
+视角二：投资者注意力的生态学建模 (Ecology of Investor Attention)
+核心洞见：注意力是金融市场最稀缺的资源。市场不是信息的聚合器，而是注意力资源的分配系统。因子应捕捉注意力的“聚集-分散”、“转移-停滞”动态，而非信息本身。
+
+研究提示词 (用于指导因子构建)：
+
+注意力“聚焦度”与“涣散度”：用交易量在时间序列上的分布熵来衡量。例如，过去20个交易日内，交易量分布的基尼系数或赫芬达尔指数。高集中度（某几天放巨量）意味着注意力短期爆发；低集中度（量能均匀）意味着持续平淡的关注。研究这两种状态转换前后，股票的收益特征。
+
+行业内注意力的“捕食-被捕食”关系：定义“注意力领导者”（如当日涨幅前3的股票）和“注意力追随者”（同行业其他股票）。计算领导股出现后，追随者的成交量与价格在随后N个时间段内的响应速度和强度。这种响应的不对称性（有些股票迅速响应，有些滞后）能否预测未来的相对强弱？
+
+“注意力惯性”与“注意力反转”：度量一个股票在失去短期催化剂（如公告、事件）后，其异常成交量（或搜索量、社交媒体活跃度）回落至基线水平的速度。回落慢的股票具有“注意力惯性”，可能存在定价偏差的持续；回落快的股票则“注意力反转”迅速。构建一个“注意力衰减时间”因子。
+
+视角三：价格运动的“形态语法”与“叙事连贯性” (Morphological Syntax & Narrative Coherence of Price Movements)
+核心洞见：价格运动不仅是有方向的，更是有“形状”和“语法”的。如同语言，一段价格走势是否存在合“语法”的叙事结构（如“筑底-突破-回踩-主升”），还是杂乱无章的“噪音词汇”？市场参与者会潜意识地识别并交易这些“连贯叙事”。
+
+研究提示词 (用于指导因子构建)：
+
+K线序列的“可压缩性”：使用一种简化的算法（如趋势线拟合后的残差大小，或一定容忍度下的分段线性近似所需节点数），来衡量过去一段价格序列的信息复杂度。低复杂度（高可压缩性）意味着价格运动清晰、有规律；高复杂度则意味着混乱。研究“从混乱转向清晰”或“从清晰转向混乱”的拐点。
+
+关键价位互动的“叙事逻辑”：识别近期的显著高点、低点、缺口、密集成交区作为“关键叙事节点”。分析当前价格在接近这些节点时的行为：是“尊重”（反弹/受阻）还是“无视”（直接穿越）？一系列对历史节点的“尊重”行为构成了一个连贯的“支撑阻力叙事”。能否量化这种叙事逻辑的强度？
+
+多尺度运动的“相位同步”：选取短期（如5日）、中期（20日）、长期（60日）的价格滤波序列（如移动平均线）。计算它们之间方向变化的领先滞后关系与同步性（可类似相位角分析）。例如，短期均线是否总是率先转向并引导中长期？还是三者经常背离？“多周期共振向上/向下”这种高度同步的状态，其形成过程和瓦解过程有何预测意义？
 
-基本结构：
-复合因子 = 维度A组件 [运算符] 维度B组件 [条件调整]
 
 === 关键语法规则（必须遵守） ===
 1. 数据字段规范：