++

prepare_prompt/alpha_prompt.txt

@@ -1,99 +1,126 @@
 任务指令
-你是一个WorldQuant WebSim因子工程师。你的任务是生成 10 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 100 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）
-核心概念：捕捉行业价格的趋势、动量和形态变化
-设计思路：
-动量的变化率、加速度或平滑度构建
-动量衰减或增强模式识别
-价格与成交量关系的时序分析
+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
+
 维度2：横截面领导力（CL）
-核心概念：识别行业内部的分化、龙头效应和相对强度
-bucket（用于龙头股筛选）
-设计思路：
-行业内部龙头股与平均表现的差异
-行业成分股的离散度分析
-相对排名的变化和稳定性
+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)
+
 维度3：市场状态适应性（MS）
-核心概念：根据市场环境动态调整因子逻辑
-设计思路：
-波动率调整的动量指标
-不同市场状态（高/低波动）使用不同的回顾期
-条件逻辑下的参数动态调整
-维度4：行业间联动（IS）
-多序列相关性分析
-设计思路：
-领先-滞后行业的相关性分析
-行业间动量传导效应
-板块轮动的早期信号识别
-维度5：交易行为情绪（TS）
-核心概念：基于交易行为和情绪指标的反转信号
-设计思路：
-超买超卖状态识别
-交易拥挤度指标
-情绪极端值后的均值回归
-复合因子设计原则
-强制要求：
-每个表达式必须融合至少两个设计维度
-必须使用提供的操作符列表中的函数
-因子应具有经济逻辑解释性
-推荐组合模式：
-TM + CL：时序动量 + 横截面领导力
-示例：行业动量加速度 × 龙头股相对强度
-TM + MS：时序动量 + 状态适应性
-示例：波动率调整后的动量指标
-CL + IS：横截面 + 行业间联动
-示例：龙头股表现与相关行业的领先滞后关系
-MS + TS：状态适应 + 交易情绪
-示例：不同市场状态下的反转信号
-IS + TS：行业联动 + 交易情绪
-示例：行业间相关性变化与交易拥挤度
-参数化建议：
-使用不同的时间窗口组合（短/中/长周期）
-尝试不同的权重分配方式
-考虑非线性变换（log, power, sqrt）
-使用条件逻辑增强鲁棒性
-表达式构建指南
+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
+
 基本结构：
-text
 复合因子 = 维度A组件 [运算符] 维度B组件 [条件调整]
-操作符限制：只能且必须使用以下列表中提供的操作符。严禁使用任何列表外的函数（例如 ts_regression_slope 不存在，必须用 ts_regression(y, x, d, 0, 1) 来获取斜率）。
-操作符使用策略：
-算术运算：abs(x), add(x, y, filter = false), densify(x), divide(x, y), inverse(x), max(x, y, ..), min(x, y ..), multiply(x ,y, ... , filter=false), power(x, y), reverse(x), sign(x), signed_power(x, y), sqrt(x), subtract(x, y, filter=false)
-条件逻辑：and(input1, input2), if_else(input1, input2, input 3), input1 < input2, input1 <= input2, input1 == input2, input1 > input2, input1 >= input2, input1!= input2, is_nan(input), not(x), or(input1, input2)
-时间序列操作：days_from_last_change(x), hump(x, hump = 0.01), kth_element(x, d, k), last_diff_value(x, d), ts_arg_max(x, d), ts_arg_min(x, d), ts_av_diff(x, d), ts_backfill(x,lookback = d, k=1, ignore="NAN"), ts_corr(x, y, d), ts_count_nans(x ,d), ts_covariance(y, x, d), ts_decay_linear(x, d, dense = false), ts_delay(x, d), ts_delta(x, d), ts_mean(x, d), ts_product(x, d), "ts_quantile(x,d, driver=""gaussian"" )", ts_rank(x, d, constant = 0), ts_regression(y, x, d, lag = 0, rettype = 0), ts_scale(x, d, constant = 0), ts_std_dev(x, d), ts_step(1), ts_sum(x, d), ts_zscore(x, d)
-横截面操作: normalize(x, useStd = false, limit = 0.0), quantile(x, driver = gaussian, sigma = 1.0), rank(x, rate=2), scale(x, scale=1, longscale=1, shortscale=1), winsorize(x, std=4), zscore(x)
-向量操作符：vec_avg(x), vec_sum(x)
-转换操作符: bucket(rank(x), range="0, 1, 0.1" or buckets = "2,5,6,7,10"), trade_when(x, y, z)
-聚合操作符: group_backfill(x, group, d, std = 4.0), group_mean(x, weight, group), group_neutralize(x, group), group_rank(x, group), group_scale(x, group), group_zscore(x, group), subtract(x, y, filter=false), multiply(x ,y, ... , filter=false), divide(x, y), add(x, y, filter = false)
+
+=== 关键语法规则（必须遵守） ===
+1. 数据字段规范：
+   - 可使用字段：close, volume, returns
+   - ❌ 错误：market_cap, marketcap, mkt_cap [这些字段不存在]
+   - ✅ 正确：使用volume作为规模代理，close作为价格
+   - returns通常定义为：ts_delta(close, 1) 或 close/ts_delay(close,1)-1
+
+2. ts_regression使用规范：
+   - 避免深度嵌套ts_regression，特别是作为其他函数的参数
+   - ✅ 正确：reg_slope = ts_regression(close, ts_step(1), 30, 0, 1)
+   - ❌ 错误：ts_delta(ts_regression(close, ts_step(1), 30, 0, 1), 5)
+   - 替代方案：用ts_delta组合计算动量变化
+
+3. if_else使用规范：
+   - 条件必须是简单布尔表达式
+   - 避免序列比较：❌ ts_std_dev(returns,60) > ts_mean(ts_std_dev(returns,60),120)
+   - 正确使用：✅ if_else(ts_rank(ts_std_dev(returns,60), 120) > 0.7, 短期动量, 长期动量)
+
+4. bucket函数使用规范：
+   - bucket()返回分组ID，可用于条件判断
+   - ✅ 正确：bucket(rank(volume), range="0,3,0.4") == 0 [第一组为大成交量]
+   - ✅ 正确：group_mean(x, 1, bucket(rank(volume), range="0,3,0.4"))
+   - 注意字符串格式：range="起始值,组数,步长" 或 buckets="分割点列表"
+=== 关键语法规则结束 ===
+
 *=====*
 注意事项:
-避免过度复杂的嵌套
-使用经济直觉验证逻辑合理性
-考虑实际交易可行性
-包含风险控制元素（如波动率调整）
+1. 避免过度复杂的嵌套（建议不超过3层）
+2. 每个表达式应有明确的经济逻辑
+3. 考虑实际交易可行性（避免未来函数）
+4. 包含风险控制元素（如波动率调整）
+5. 只能使用可用的数据字段：close, volume, returns等
 *=====*
+
 参数逻辑：参数d（回顾期）应在[5, 10, 20, 30, 60, 120]等具有市场意义（周、月、季度、半年）的数值中合理选择并差异化。
-行业隐含：通过group_mean、group_rank等函数或假设表达式在行业指数上运行来体现“行业”逻辑。
+行业隐含：通过group_mean、group_rank等函数或假设表达式在行业指数上运行来体现"行业"逻辑。
+
+构建框架指导（请按此逻辑创造新因子）：
+
+维度融合模板（选择至少2个）：
+
+A. 领导力动量 = 时序动量 × 横截面调整
+   逻辑：大成交量股票的动量更强
+   结构：group_mean(ts_delta(close, d1), 1, bucket(rank(volume), range="0,3,0.4"))
+
+B. 状态自适应动量 = 条件选择动量
+   逻辑：高波动用短期动量，低波动用长期动量
+   结构：if_else(ts_std_dev(returns,20) > 0.02, ts_delta(close,5), ts_delta(close,20))
+
+C. 行业传导因子 = 领先行业动量 × 相关性强度
+   逻辑：与强势行业相关性高的行业未来表现好
+   结构：multiply(ts_corr(group_mean(returns,1,industry), group_mean(returns,1,sector), d1), ts_delta(close,d2))
+
+D. 情绪反转 = 过度交易信号 × 基础趋势
+   逻辑：过度交易时反转，趋势延续时跟随
+   结构：multiply(reverse(ts_rank(volume/ts_mean(volume,20), 10)), ts_delta(close,20))
+
+关键组件库（可自由组合）：
+1. 动量类：ts_delta(close,{d}), ts_regression(close,ts_step(1),{d},0,1)
+2. 波动类：ts_std_dev(returns,{d}), ts_mean(abs(returns),{d})
+3. 成交量类：volume/ts_mean(volume,{d}), ts_zscore(volume,{d})
+4. 横截面类：if_else(rank(volume) > 阈值, 值1, 值2), bucket(rank(volume), range="0,3,0.4")
+5. 相关性类：ts_corr({x},{y},{d})
+6. 条件逻辑：if_else({condition}, {true_value}, {false_value})
+
+参数池：d ∈ [5,10,20,30,60,120], 阈值 ∈ [0.5,0.7,0.8]
+
+*=====*
+
 输出格式：
 输出必须是且仅是纯文本。
 每一行是一个完整、独立、语法正确的WebSim表达式。
 严禁任何形式的解释、编号、标点包裹（如引号）、Markdown格式或额外文本。
 
-示例思维（仅供理解，不输出）
-一个融合“龙头股趋势加速度(M)”与“行业整体情绪背离(R)”的因子思路，可用你的操作符实现为(此为示例, 读取操作符的使用说明, 并结合上述的维度方案, 组合并创新因子)：
-multiply( ts_delta(group_mean(ts_regression(close, ts_step(1), 20, 0, 1), bucket(rank(close), "0.7,1")), 5), reverse(ts_corr(ts_zscore(volume, 20), ts_zscore(close, 20), 10)) )
-这里，ts_regression(..., rettype=1)获取斜率代替动量，bucket(rank(close), "0.7,1")近似选取市值前30%的龙头股，ts_corr(...)衡量价量情绪，reverse将其转化为背离信号。
+===================== !!! 重点(输出方式) !!! =====================
 现在，请严格遵守以上所有规则，开始生成可立即在WebSim中运行的复合因子表达式。
-**输出格式**(一行一个表达式, 只要表达式本身, 不要解释, 不需要序号, 也不要输出多余的东西)：
-表达式
-表达式
-表达式
-...
-表达式
-请提供具体的WQ表达式。
-重申：请确保所有表达式都使用WorldQuant WebSim平台函数，不要使用pandas、numpy或其他Python库函数。输出必须是一行有效的WQ表达式。
-以下是我的账号有权限使用的操作符, 请严格按照操作符, 进行生成,组合因子
+**输出格式**(一行一个表达式, 每个表达式中间需要添加一个空行, 只要表达式本身, 不要解释, 不需要序号, 也不要输出多余的东西)：
 
-以下是我的账号有权限使用的操作符, 请严格按照操作符, 进行生成,组合因子
+表达式
+
+表达式
+
+表达式
+
+...
+
+表达式
+=================================================================
+
+重申：请确保所有表达式都使用WorldQuant WebSim平台函数，不要使用pandas、numpy或其他Python库函数。输出必须是一行有效的WQ表达式。
+
+以下是我的账号有权限使用的操作符, 请严格按照操作符, 进行生成,组合因子：