寒蝉 Hancic
跑得准：300% 的假收益与真的 IC
跑得准实录:样本扩到 50 只后发现回测里 +300% 的假收益——真实价撮合在除权日权益跳变,账户换后复权口径;补全数据校验,IC 验证动量 20 日在 10/20 日窗口显著为正。
标签：方法论
能跑：当设计稿撞上真实数据
能跑阶段实录:契约先行防返工,接口文档和实际的落差,复权因子校验被真实数据推翻,验证逼出三个 bug,以及「10 万买不起一手茅台」的资金约束教训。
动笔之前,我画完了全套架构图
开工前我把设计做到了 v0.6,拆成四份文档,然后发现自己违背了刚写完的《架构不是设计出来的》:一行代码没写,却在讨论"怎么写对"。复盘哪些设计该留、哪些是阶段前移,以及如何用四阶段路线图补救。
量化数据越多越好吗？精确的模糊与模糊的精确
量化投资的核心是数据加因子加策略：数据是原料，因子是加工，策略是决策。数据越多、类型越丰富，直觉上策略应该越准——信息越全，判断越准，这符合常识。 但常识不等于正确。在量化里，数据多和策略好之间，隔着一道看不见的墙。 精确的模糊 vs 模糊的精确 给一张图片不断加像素，画面越来越清晰，这是分辨率提升
架构不是设计出来的
架构不是设计出来的，是在每个阶段做了正确的决策才长出来的。四阶段框架：能跑→跑得准→跑得稳→跑得快，每个阶段的核心矛盾不同，三条原则的权重随场景变化。
因子为什么能工作——在不确定性中寻找概率优势
量化投资的核心是因子。因子是把选股逻辑翻译成一个可计算的数字，买入因子得分高的，卖出得分低的，回测看结果。这套流程表面上是数学，但背后有个更深层的问题：因子凭什么能工作？ 因子不是真理，是假设 因子有效的前提，是市场存在可以被利用的规律。但如果市场完全有效，所有信息都即时反映在价格里，任何因子都没用
为什么我不推荐个人量化使用自建数据源
量化的本质是数据加因子加策略，数据质量决定策略的下限。但个人量化最容易被忽视的陷阱，是把策略研究变成工程量——建库、爬虫、维护数据源，本末倒置。自建数据源的坑还在其次，数据源怎么选，标准只有一个：这笔钱，赚得回来吗？
【工程思维】 发刊词：同一类问题，工程早就解过了
发刊词：工作与生活里的问题，和工程里的是同一类——工程早已把通用解法提炼成缓存、模板、工作流这些成熟概念，专栏负责把它们翻译回现实。
参加完一场智能眼镜黑客松，我开始重新理解这个行业
智能眼镜在互联网上已经赢麻了 能力早就不是问题 如果你最近刷过一点智能眼镜相关内容，大概率会看到一套很熟悉的叙事：它是下一代计算平台，是第一视角 AI 助手，可以导航、翻译、语音问答、记录生活，甚至能在你走路、开会、旅行的时候一直陪着你。 这些东西也不全是吹的。至少导航、翻译、问答这类能力，今天确实
使用大数据处理的思维提升繁杂事务处理的效率
无论工作还是生活中，我们时常不得不面对大量繁杂事务的处理，仔细思考下，其实这种场景与IT领域中的大数据处理非常相似，其目标都是一样的，输入大量的任务信息，经过一系列的思考、规划和执行，输出为指定的任务结果。那么，在大数据处理场景中，我们对于提升执行效率和压缩执行时间的很多思路，也就可以同样带入到真实
