ccg-workflow 域知识详解：Prompt 工程与模型评估的完整实战指南
2026/10/12 2:21:43
GTJA191 vs Alpha101 因子库横评：跑横截面选股到底选谁？快速选型指南
【免费下载链接】Vibe-Trading"Vibe-Trading: Your Personal Trading Agent"项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading
gtja191 和 alpha101 都听说过，但 A 股研报公式和美股论文公式到底差在哪？谁在你的目标市场上更稳？本文用 Vibe-Trading 内置的Alpha Zoo 因子动物园和alpha bench 因子横评工具当统一尺子，从公式风格、适用市场到验证成本逐项对比这两套经典因子库，最后给出一张按场景落地的选型对照表。
一个 alpha_001：用同名文件读懂两套因子库的风格
这一节回答：两套库的因子长什么样，差别直观吗？
有个有意思的细节：两套库的第一个因子文件都叫 alpha_001.py，这对"同名双胞胎"恰好最能说明风格差异。
agent/src/factors/zoo/gtja191/alpha_001.py：
- 数据需求：只要 OHLCV 里的 volume、close、open 三列，不碰基本面；
- 公式：
(-1 * CORR(RANK(DELTA(LOG(VOLUME),1)), RANK((CLOSE-OPEN)/OPEN), 6))，即成交量变化与日内收益的 6 日负相关，专挑"放量不涨"的量价背离； - 定位用途：A 股横截面选股信号，元数据把适用市场声明为
equity_cn。
agent/src/factors/zoo/alpha101/alpha_001.py：
- 数据需求：只用到 close 一列；
- 公式：
rank(ts_argmax(SignedPower(...), 5)) - 0.5，SignedPower、ts_argmax、rank 多操作符串在一起； - 定位用途：美股/印度/韩国横截面选股，元数据声明
equity_us / equity_in / equity_kr。
gtja191 更像本地向导，熟门熟路地摸 A 股量价脾气；alpha101 更像通用公式手册，手法普适，但落地前得先试试合不合身。
差异盘点：一张七行对照表
这一节回答：两库的全部差异能不能压成一页看？
| 维度 | gtja191 | alpha101 |
|---|---|---|
| 出处文档 | 国泰君安 2014 年 alpha 研报 | Kakushadze 2015 年论文（arXiv:1601.00991） |
| 因子数量 | 191 个 | 101 个 |
| 声明适用市场 | A 股（equity_cn） | 美股/印度/韩国（equity_us / equity_in / equity_kr） |
| 数据输入 | 仅 OHLCV，无基本面 | 仅 OHLCV，无基本面 |
| 代表操作符 | RANK、DELTA、CORR、取负 | ts_rank、decay_linear、SignedPower、ts_argmax |
| 公式复杂度 | 中，两三层嵌套统计 | 高，多操作符深嵌套 |
| 主要主题 | 量价、反转、微观结构 | 动量、反转、波动率、微观结构 |
机制上两库住在"同一栋楼"里：每个文件都带统一的compute(panel)入口和__alpha_meta__元数据（主题标签、公式、预热 bar 数、适用市场），由 registry.py 做 AST 扫描并按严格 pydantic 校验；数值正确性由 test_gtja191_part1_samples.py、test_gtja191_part2_samples.py、test_alpha101_samples.py 锁死，操作符层面还禁止前视（delta只接受正向窗口，不存在负移算子）。
验证方法：一条命令跑横评，看 alive/reversed/dead 分布
这一节回答：怎么把"哪个好用"从口头判断变成数字？
在终端里分别跑两条 bench（报告默认落在~/.vibe-trading/reports/）：
vibe-trading alpha bench --zoo gtja191 --universe csi300 --period 2020-2025 --top 20 vibe-trading alpha bench --zoo alpha101 --universe sp500 --period 2020-2025 --top 20每个因子会算出 IC 均值（因子值与未来收益横截面相关性的平均）、IR（IC 均值除以 IC 标准差）、IC 为正比例，再按阈值分级，逻辑在 bench_runner.py：
- 🟢alive：ic_mean > 0.02，IC 为正比例 ≥ 55%，且 |t| > 2；
- 🔴reversed：ic_mean < -0.02 且 |t| > 2——方向是反的，取反之后照样能用；
- ⚪dead：其余全部。
报告除按 IR 列出 Top 因子并附公式外，还自动做多重检验校正：把"你从上百个因子里搜出的最佳 IR"和纯运气下能搜出的最大值相减，给出 deflated 概率——这一步专门防"搜出来的幸存者"。
进阶玩法：
- 点名对决：
vibe-trading alpha compare gtja191_001 alpha101_001 --sort ir，只评估你点名的因子并标出与榜首的差距；CLI 与 Web 端共用同一套 compare_runner.py 核心； - 严格闸门：
alpha bench加--strict，追加同股票池随机对照与训练/测试切分（--oos-split指定切分日），分级细化为 confirmed_alive / train_only / reversed_strict / noise，专筛只跟市场 beta 的伪因子，实现见 bench_runner_strict.py； - 问 Agent：聊天里直接说"帮我横评 gtja191 和 alpha101"，alpha-zoo 技能会自动调度
alpha_zoo（查库）与alpha_bench（跑评）两个工具。
新手选型对照表：什么市场跑什么库
这一节回答：看完之后，到底该挑哪个？
| 你的场景 | 推荐 |
|---|---|
| A 股横截面选股，因子直接落到多空组合 | gtja191：整库声明 equity_cn，主题贴合 A 股微观结构 |
| 美股横截面选股，或想要更通用的公式模板 | alpha101：声明覆盖美/印/韩，操作符风格普适 |
| 边学边选，想读懂 rank/decay_linear 这类算子 | 先精读 alpha101 样本，再对照 gtja191 同名公式 |
| 专门挖量价背离、短期反转主题 | gtja191：volume/reversal 标签密度更高 |
| 最关心稳健性、怕过拟合 | 两库都过一遍--strict，只留 OOS 闸门的幸存者 |
同一批因子换到另一个股票池，名次可能整个翻掉——上表的推荐都建立在"声明市场 + 你自己实测"的前提上，不能跨市场照搬。
收束：动手前三条带走
这一节回答：一分钟能记住什么？
- gtja191：191 个 A 股因子，复杂度中等，主打量价与微观结构；
- alpha101：101 个论文因子，嵌套更深，是美股系市场的信号模板；
- 两库共用同一接口、同一注册表、同一套样本测试，横评比较的是"同尺子下的真实衰减"；
- 看第一眼的应该是 alive/reversed/dead 分布，而不是漂亮的回测曲线。
动手三步：克隆仓库git clone https://gitcode.com/GitHub_Trending/vi/Vibe-Trading、安装依赖、跑一条vibe-trading alpha bench——真正的结论，藏在你的第一次实测里 📊
【免费下载链接】Vibe-Trading"Vibe-Trading: Your Personal Trading Agent"项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考