因子试验账本 ZhenHaoFu810/alphaledger

alphaledger

因子研究的试验账本

每评估一个因子，就是从彩票箱里抽一次。alphaledger 记下抽了多少次，并且在不知道这个数字之前，拒绝下判断。

一张表说清楚问题

| | 你看到的 | 你会得出的结论 |
| 只看这一个因子 | RankIC 0.0105，t 3.03，p 0.0027 | 显著，可以用 |
| 同一个因子，放在第 200 次尝试里 | 完全相同的数字，加上 p_family = 0.346 | 是运气，丢掉 |

因子本身没有任何变化，变的只有次数。

而这个次数，恰恰是 agent 记不住的东西。研究员一天试五个想法，还记得住；agent 一小时试两百个，每次会话都从空白上下文开始。

二十秒看懂

一条命令，300 只股票 × 250 个交易日，每一个因子都是纯噪声：

$ python demos/noise_200.py

best factor fp=v1:32625af66…
RankIC +0.0105
t (iid / NW) 3.03 / 3.27
p_single 0.00273 <- 看起来可以发表
family 200 trials
bar_q95 3.67 <- 真因子需要的门槛
p_family 0.346 <- 是运气
verdict REJECT

"Trial #200 of 200 — REJECT. IC=+0.0105, t=3.03, p_single=0.0027, p_family=0.346."

RankIC 1% 对真实因子来说是很正常的量级——所以看效应大小分不出真假，唯一能分辨的信息是：你抽了多少次。

它怎么工作

flowchart LR
F["因子面板"] --> IC["RankIC 序列每个交易日一个值"]
R["未来收益"] --> IC
IC --> ID["指纹秩模式哈希"]
IC --> ST["t, p_single"]
ID --> L[("账本")]
L --> FAM["家族同一面板上的 N 次试验"]
FAM --> NUL["max abs(t) 零分布块 bootstrap"]
ST --> G{"p_family ≤ α ?"}
NUL --> G
G -->|是| P["PASS"]
G -->|否| X["REJECT"]

这套循环之上只有四个工具：

| 工具 | 回答什么 | 代价 |
| fingerprint | 这个因子我试过吗？ | 免费——不消耗试验次数 |
| evaluate | IC 多少，这是第几次试验？ | 一次试验 |
| gate | 过了家族校正吗？差多远？ | 免费 |
| ledger_stats | 已经试了多少，哪里在打转？ | 免费 |

PASS 必须满足 p_family ≤ α。p_single 会报出来，但永远不算证据。

安装

alphaledger 是一个 MCP server，外面套一层四文件的 dsh 插件。一份实现，两条入口；不联网，不需要 API key，数据不出本机。

DeepSeek Harness —— 一条命令：

$ dsh plugin --profile web add dsh-alphaledger

插件本身没有代码，只负责写下面这段启动配置；想看懂它做了什么，就是这几行：

- insert:
- id: alphaledger
name: '@deepseek-ai/dsh-mcp-client'
config:
serverName: alphaledger
transport: stdio
command: uvx
args: ['alphaledger-mcp']
failOnStartupError: true

Claude Code、Codex、或任何 MCP 客户端：

claude mcp add alphaledger -- uvx alphaledger-mcp

装好后工具以 mcp__alphaledger__evaluate、mcp__alphaledger__gate 的形式出现。

两条路都需要先装一次 uv（curl -LsSf https://astral.sh/uv/install.sh | sh），因为 dsh 刻意不管 Python 环境。server 已发布到 PyPI；
npm 上的插件包还没发，所以 dsh 这条现在从源码目录装：dsh plugin --profile web add ./dsh/alphaledger。
这不是退而求其次——它走的就是注册表那条同样的 pnpm add：已在 dsh 0.2.0-rc.2 上用隔离的 DSH_HOME 实测过，命令退 0，dsh-alphaledger 进 dsh.profile.bundles，dsh --profile <name> --dump-config 里能看到它的 MCP 条目。
发 npm 只是换来 dsh plugin add dsh-alphaledger 这个更短的写法。

依赖只有 numpy 和标准库。scipy 会让安装体积翻倍、冷启动多几秒，而我们需要的两件事——秩相关和 Student-t 尾概率——几十行就能写完。详见 docs/METHOD.md。

账本拒绝做的三件事

不把 rank(x) 算成新因子。
身份是因子的秩模式，用整数哈希。x、rank(x)、log(x)、2x+3 的秩完全相同，所以它们是一次试验、四次评估。翻符号也是同一试验，记为 sign_flip——这是家族悄悄膨胀最便宜的方式。

不合并近似因子。 相关性 0.97 的两个因子会被标成 NEAR_DUPLICATE，但不会合并。合并等于允许“我只改了一个参数”逃脱计数，而那正是要防的事。

不让泄漏因子通过。 与未来收益秩完全相同的因子会被判 LABEL_CONTAMINATION，先于显著性检查——因为那是唯一一种“数字看起来最好”的情形。

不做什么

不做数据层——你给面板，akshare 适配器在计划中。不做回测引擎、不做组合优化、不做 UI。它只判断一条 IC 序列，然后记账，仅此而已。

文档

| docs/METHOD.md | 每个公式，对应函数名与钉住它的测试 |
| docs/TOOLS.md | 接口 schema、错误码、宿主接线 |
| docs/AUDIT.md | 三份现有 dsh 量化工具的逐行审计 |
| docs/CALIBRATION.md | 实测误报率与功效 |
| ROADMAP.md | 已交付什么，v0.2 做什么 |

状态

0.1.0。 已发布到 PyPI（alphaledger-mcp）；npm 插件包尚未发布。统计内核、身份判定、账本、MCP 接口均已实现并通过测试：104 条测试，ruff 与 mypy 干净，误报率 8.3%（12 组中 1 次），对 IC=0.03 的植入因子功效 4/4。

v0.2：akshare 适配器、一次性 OOS 测试锁、完整前视扰动协议。

MIT © 2026 Zhenhao Fu