白板前，尹航还在盯著那道拆盲盒题。

他的大脑正在高速运转，试图在这张错综复杂的概率网络里找到哪怕一丝破绽。

姚思雨站在另一侧，手里握著板擦，已经把旧递推公式毫不留情地划掉。

江临站在一旁，却没有继续往下讲。

这几道题到这里就已经足够了。

阿里全球数学竞赛预赛的题目，真正的价值从来不在於他把最终那个光禿禿的答案餵给別人，而在於看到那条线的过程。

先抽象。

把现实世界里极其复杂的盲盒概率、卡池保底机制，剥离掉所有花哨的商业外衣，变成纯粹的马尔可夫链。

再压缩。

把数以万计的节点状態，根据对称性压缩成一个只与剩余未收集种类数相关的最小一维数组。

最后验证。

用严密的逻辑去证明，这种降维压缩没有在任何一个微小的概率分岔口上丟掉必要信息。

尹航手里的马克笔在指尖转了半圈，笔帽啪地一声敲在掌心。

他转过头，用一种近乎看怪物的眼神看著江临，忽然问：“你別告诉我，这十一道题，全都是像刚才这样，一眼看穿底层结构，然后没有任何卡顿地写完的？”

江临想了想，认真地摇了摇头：“不全是，有一道代数变形题更偏纯粹的计算和排版表达，没有这么强的结构感，纯粹靠算力堆砌。而且，我也试了几条错路。”

尹航听到错路两个字，肩膀猛地塌了下来，似乎长长地鬆了口气：“靠，原来你也会走错路啊，我还以为你脑子里自带量子计算机呢。”

“我走的错路可能比你们任何人都多。”

江临说著，还举例说明將自己当初在一道数论题上被复杂的表象迷惑，走进死胡同的过程说了一遍。

“所以，你是找正確路线，排除错误方向，大概花了四十分钟。后面用latex整理提交版排版，花了一个多小时。”

尹航被江临这番一本正经的诉苦气笑了。

“谢谢你啊，你终於承认自己花了时间，终於像个人了。但我光是找这道盲盒题的路线，花的时间就是你的四倍，而且还没找全。”

屋里的气氛终於彻底鬆弛了下来。

那种因为高强度智力对抗而紧绷的空气，隨著尹航的自嘲烟消云散。

姚思雨也忍不住笑了一下：“所以陆导让你把b304当成自己家常来，不是没有原因的。你在这里，至少能让我们知道，题目还能被拆到什么程度，不至於刚摸到门槛就以为自己看见了天花板。”

边上的孟澈见江临开始收拾东西，知道他要回去，於是把下载好的几份数据说明与论文列印稿递过去，隨口问了一句：“最近除了阿里预赛，还在忙什么，感觉你这个月都是神出鬼没的。”

“写一个数据检查工具。”

“做什么的？”

“量化相关吧。”

“你还搞量化？”孟澈讶然道。

他正在研究机器学习，很清楚量化金融领域的水有多深。

“你才多大啊，你就搞量化？”尹航也是一副难以置信的模样，“你別告诉我你已经开始炒股了。”

“也就是隨便看看，帮人做点基础的数据梳理。”

但b304三人组显然不相信。

一个能把阿里预赛十一道题当切菜一样做完的人，嘴里的隨便看看，绝对不可能是用excel画几张k线图那么简单。

不过三人见江临没有进一步解释的意思，也就识趣地不去多问。

天才总有自己的秘密领域，这点默契他们还是有的。

傍晚，江临伴著江城的晚霞回到家里。

吃过晚饭，陪父母聊了会閒话，便回臥室忙自己的事情。

工作站电脑打开，有一封新邮件。

发件人：沈承业。

標题：qf-oldlib-001第一批脱敏材料已上传

正文只有简短的一句话：江临，小型私募旧因子库研究流程审计，正式开始，资源已开通。

江临点击连结，开始下载材料。

文件和之前他处理过的那些动輒十几gb 的tick级高频行情数据比起来，不算太大，压缩包只有不到3个g。

但在量化研究的语境里，这种体量的信息密度是极其恐怖的。

解压后，目录树展开。

几张庞大的元数据表。

几份回测配置摘要。

一个脱敏后的因子输出矩阵。

一份很粗糙的歷史备註记录。

还有一张极其关键的状態表。

江临点开状態表。表里密密麻麻地列著四百三十七个因子编號。

在状態这一列里：

有些后面写著：active（目前仍在实盘交易中提供信號的因子）。

有些写著：deprecated（因为绩效衰减，已被淘汰的因子）。

有些写著：merged（因为与其他因子相关性过高，被合併的因子）。

有些写著：deleted（被刪除的因子）。

还有一批，令人触目惊心地写著：unknown（未知状態，连研究员自己都不知道这东西还在不在跑）。

江临的目光在deleted和unknown这两个词上停留了很久，思绪一下子发散开来。

在任何一个量化机构，乃至任何一个科研系统里，成功的东西，总会有人记得。

它们会被写进ppt，会被掛在年报里，会被用来向投资人吹嘘。

但是，失败的东西，常常最先被刪掉。

研究员为了掩盖自己几个月毫无建树的尷尬，或者为了让代码库看起来乾净，会毫不犹豫地按下delete键。

而一个没有失败记录的研究系统，最容易把倖存者当成真理。

在金融市场里，这叫倖存者偏差。

当你只看到那些成功的策略时，你会觉得市场充满规律。

但如果你看不到那99%因为过度擬合而在实盘中亏得血本无归的废弃因子，你就会在下一次研究中，重蹈覆辙。

江临深吸了一口气，熟练地打开终端，新建项目文件夹。

然后用vim打开audit_log.md，敲下了这个审计项目的最高纲领。

第一行：旧因子库首先不是宝库，而是失败记录的墓地。

第二行：本项目不找神因子，不预测未来，只找“研究流程如何骗过自己”。

第三行：所有结论必须严格绑定四个维度：数据版本、样本池版本、因子版本、回测配置版本。脱离版本谈绩效，一律视为学术造假。

写完这三行，他才正式开始第一轮代码层面的扫描。

最初的审计脚本逻辑並不复杂。

江临用python配合pandas和dask，写了几个守卫器。

唯一性检查： 检查因子编號是否唯一，版本號是否连续，每个因子是否严格绑定了当时所用的清洗数据版本。

样本池漂移： 每个回测结果是否绑定了確定的样本池定义？

失败记录完整性： 失败因子有没有保留详细的刪除原因和失效日期的环境切片？

同源性检查： 同名或近似同名因子是否重复出现？

摩擦成本检查： 交易成本假设有没有在不同版本里发生人为的漂移？

回车，运行。

十五分钟后，第一轮扫描结果出来了。很难看，触目惊心的难看。

四百三十七个因子里，有八十多个没有完整的数据版本號约束。这意味著如果现在重跑回测，根本不知道当初是用什么数据跑出来的。

二十七个因子版本断裂，从 v1.2 直接跳到了 v3.0，中间经歷了什么，无人知晓。

十三个因子名称完全不同，但备註里的数学逻辑高度相似。

还有几个因子，名字看起来像是三个截然不同的方向。

但江临的脚本对它们的脱敏输出矩阵求了横截面相关性后发现，它们的皮尔逊相关係数竟然高达0.98。

说明这根本就是同一类想法，在绩效压力和流程失控里被反覆复製、微调参数、改名重跑，试图碰出一个更好看的夏普比率，最后在歷史里留下了三具极其相似的影子。

这就是纯粹的数据挖掘灾难。

江临面无表情，继续跑第二轮：因子输出版本敏感性测试。

第三轮：样本池时间序列漂移测试。

第四轮：失败因子记录完整性穿透。

隨著任务越来越重，工作站脚下的机箱风扇开始持续低鸣，发出沉闷的嗡嗡声。

江临瞥了一眼副屏上的系统监控。

温度：68c，正常。

硬碟读写：正常。

內存占用：正常。

cpu 占用率，却在几个特定的脚本执行时，反覆拉高到100%，红得刺眼。

程序並没有卡死，终端里的进度条还在走。

但它比江临预期的慢，慢得非常不合理。

对於现实世界里的大多数数据科学家或者量化研究员来说，遇到这个情况，第一反应绝对是，机器不够强。

“老板，我们要买更好的 cpu，换 amd 的线程撕裂者。”

“要加更大的內存，把数据全塞进內存里。”

“上aws云伺服器，开个 124 核的实例並行跑。”

用硬体的暴力去掩盖软体的低效，这是和平年代，资源充沛环境下的通病。

但这不是江临的第一反应。

在他的脑海深处，那个属於【废土世界】的倒计时始终存在。

在资源枯竭的废土里，永远没有再买一台的选项。

在那里，机器慢，不能先要资源，必须先问。为什么慢？是什么在吃掉算力？

江临果断按下了 ctrl+c，停掉了后续的扫描任务。

打开python的性能分析工具，將刚才那段跑得极慢的代码用cprofile 重新包起来，然后接入snakeviz进行可视化分析。

二十分钟后，一份详细的调用栈火焰图出现在屏幕上。

真正的瓶颈浮出水面。

在调用栈里吞掉最多墙钟时间的怪物，不是那些几百万行的大矩阵乘法。

不是复杂的hdf5文件读取，不是前端渲染的图表生成，也不是某个玄学的机器学习复杂模型。

而是几个小得近乎不起眼的动作：排序、排名、分桶。

在量化回测中，经常需要在特定的行业特定的市值区间內，对股票的因子暴露值进行中性化和排序。

每次参与排序的股票可能不多，只有五个、八个、或者十六个。

单独看，给五个数排序，不管用什么算法，每一次都快得像没有成本，连一毫秒都不需要。

但问题在於乘数效应。

qf-oldlib-001里有四百多个因子。

三年歷史版本。

多个动態调整的样本池。