DataReady阶段

DataReady 阶段 - 横截面面板底座冻结

详细版：../展开讲/DataReady阶段.md

1. 阶段定位

DataReady 的职责是把 Mandate 中冻结的研究边界，落成真正可复用的横截面面板底座。

它回答的问题是：

我们后续所有因子都建立在什么 date x asset 面板、准入语义和共享派生层之上？

它不回答“某个因子是否有效”，也不回答“策略能不能赚钱”。

推荐主链：

Mandate
  -> DataReady
  -> SignalReady
  -> TrainFreeze
  -> TestEvidence
  -> BacktestReady
  -> HoldoutValidation

---

2. 本阶段只冻结什么

DataReady 只冻结横截面研究的底座合同：

• panel_contract
• taxonomy_contract
• eligibility_contract
• shared_feature_base
• delivery_contract

对应的核心问题分别是：

• 面板主键是什么
• 资产分类和分组底座是什么
• 哪些观测是“基础可研究”的
• 哪些共享派生字段后续可复用
• 这些产物如何重建和交付

---

3. 本阶段不该做什么

禁止事项：

• 在 DataReady 阶段做具体因子定义
• 在 DataReady 阶段用因子 IC 检查 lookahead
• 在 DataReady 阶段挑因子、去重、筛优
• 把 eligibility mask 写成某个因子的专用过滤器
• 静默改动 Mandate 冻结的 universe、时间边界或 route

如果一个检查必须依赖 factor_values 才成立，那它通常已经不是 DataReady，而是 SignalReady 之后的事情。

---

4. 必需输入

建议至少有以下输入：

• mandate.md
• research_scope.md
• research_route.yaml
• time_split.json
• stage_completion_certificate.yaml

如果 research_route 不是 cross_sectional_factor，这篇规范就不适用。

---

5. 必需输出

建议至少产出以下 artifact：

• panel_manifest.json
• asset_universe_membership.parquet
• eligibility_base_mask.parquet
• cross_section_coverage.parquet
• shared_feature_base/
• asset_taxonomy_snapshot.parquet（若后续允许 group_neutral）
• csf_data_contract.md
• run_manifest.json
• rebuild_csf_data_ready.py 或等价程序快照
• artifact_catalog.md
• field_dictionary.md

建议最少机器可读字段：

panel_manifest:
  date_key: timestamp
  asset_key: symbol
  panel_frequency: 1h
  timezone: UTC
  coverage_rule: "cross-sectional coverage after eligibility_base_mask"
 
eligibility_contract:
  base_only: true
  contains_factor_logic: false
 
shared_feature_base:
  includes:
    - market_cap
    - volume_24h
    - listing_days
  taxonomy_version: v1

---

6. Formal Gate

FG-1: 面板主键明确

• date_key 明确
• asset_key 明确
• panel_frequency 明确
• coverage_rule 明确

FG-2: Universe 成员关系可追溯

• 每个时点的成员关系可回放
• 没有把“最终留下的资产”误写成“历史一直存在的资产”

FG-3: Eligibility 与因子逻辑分离

• eligibility_base_mask 只记录基础可研究掩码
• 不混入某个因子的特定条件

FG-4: 共享派生层可复用

• shared_feature_base/ 的字段来源明确
• 若后续允许 group_neutral，taxonomy 必须版本化

FG-5: 可重建

• 有 run_manifest.json
• 有 stage-local 程序快照
• 能说明输入根目录与 replay 命令

---

7. Audit Gate

可以记录但不应越界的审计项：

• 覆盖率
• 缺失模式
• 时间对齐质量
• 坏价与极端值分布

这些都属于数据底座质量。
但“某个因子的 IC 是否异常高”不属于这里。

---

8. 常见反模式

反模式 1：把 DataReady 写成因子研究

错误写法：

ic = spearmanr(factor_values, future_return)
if ic > 0.3:
    warn("lookahead")

这依赖具体因子，已经越界。

反模式 2：把 eligibility 做成因子过滤器

错误写法：

• “只有动量值可算时才算 eligible”
• “RSI 小于 30 的资产进入 base mask”

base mask 只能表达基础可研究性，不能偷带因子定义。

反模式 3：静默重写 Universe

错误写法：

• 因为历史覆盖率差，就直接缩窄资产池
• 因为某阶段效果差，就改 universe 口径

任何这类动作都应回到 Mandate 或开 child lineage。

反模式 4：只有文档，没有可重建程序

如果只有说明文档，没有实际生成面板的程序快照和运行记录，DataReady 不算完成。

---

9. 与下一阶段的交接

SignalReady 只能消费 DataReady 已冻结的底座，不能静默修改：

• 面板主键
• eligibility 语义
• taxonomy 版本
• 时间边界

下一阶段主要依赖：

• panel_manifest.json
• asset_universe_membership.parquet
• eligibility_base_mask.parquet
• cross_section_coverage.parquet
• shared_feature_base/

---

10. 一句话标准

DataReady 完成后，后续任何因子作者都应当基于同一份 date x asset 面板底座开工，而不是各自偷偷重建一版数据世界。