Betalens：Betalens新手系列 · 24 新手路线图：从能跑通到能交付

阅读提示

这是系列最后一篇，总结推荐阅读顺序、常见误区清单，以及与框架其他 skill 的衔接。Betalens 的学习不是一个线性过程——这篇路线图给你一个随时可查的导航地图。

导言

24 篇文章写完了，涵盖了 Betalens 的方方面面。但你不需要按顺序全部读完。这篇路线图告诉你：如果你只有有限的时间，应该先学什么；如果你想把某个方向学深，应该延伸到哪里。

推荐阅读顺序：三条路径

路径 A：快速上手（2 小时）

目标：能跑出自己的第一个策略。

1	01（框架是什么）→ 03（安装）→ 02（quickstart 跑通）→ 22（Dashboard 操作）

读完之后，你应该能在 30 分钟内从打开浏览器到拿到一份 Excel 报告。

路径 B：深入研究（2-3 天）

目标：具备独立做因子研究的能力。

1 2	01 → 03 → 02 → 06（Datafeed API）→ 09（因子分组）→ 10（预处理） → 11（因子画像）→ 14（BacktestBase）→ 16（Analyst 报告）→ 04（调试）

读完之后，你应该能看懂任何一份因子研究报告，把公式转化为可运行的因子脚本，并对结果做质量评估。

路径 C：贡献开发（1 周+）

目标：能够维护框架本身或开发新功能。

1 2	01 → 05（数据库架构）→ 06（Datafeed API）→ 09（因子分组）→ 14（BacktestBase） → 21（Dashboard 架构）→ 23（协作规范）→ 阅读 docs/guide/*.rst 源码

常见误区清单

误区 1：”IC 高 = 策略赚钱”

IC 衡量的是因子对下期收益的预测能力，不是直接等于交易利润。IC 高但回测收益差的原因：

交易成本太高（年化换手率 > 300%）
整数手约束（小资金）
停牌导致被动转现金
滑点（流动性差时影响大）

误区 2：”回测漂亮 = 实盘赚钱”

回测是历史验证，不是未来预测。实盘有以下 Betalens 无法模拟的因素：

滑点和流动性冲击
执行延迟
冲击成本
市场冲击（大资金进出）
因子拥挤（使用同一因子的人多了，alpha 会衰减）

误区 3：”中性化之后因子效果变差了，说明中性化没用”

恰恰相反。中性化之后变差说明原因子大量暴露在市值或行业上——这是你发现了因子真正的来源，是好事。下一步：中性化后 IC 仍然显著 → 因子有真 alpha；中性化后 IC 消失 → 因子是伪因子，可以放弃。

误区 4：”参数越多，因子越强”

参数越多的因子，越容易过拟合。推荐原则：

先用默认参数跑基线
做参数敏感性分析（mining 模块）
样本内最优参数不一定样本外有效

误区 5：”数据越多越好”

数据太少（< 3 年）会导致统计不显著；数据太多（> 10 年）可能包含结构断裂（如 2015 年股灾、2020 年疫情），因子在不同时期的有效性差异巨大。5-7 年的数据是大多数因子研究的合理区间。

Betalens skill 体系

Betalens 不是孤立的框架，它和其他工具形成了一个完整的量化研究生态：

Betalens 核心（当前系列覆盖）

数据查询、回测、绩效、事件研究、稳健性、Dashboard

factor-forge skill（复现研报）

当你有一篇量化研报，想把里面的因子复现到 Betalens：

1	研报 PDF/DOCX ──→ factor-forge skill ──→ Betalens 因子脚本 + YAML

调用方式：把研报路径发给 AI，让 factor-forge 生成初稿，再手动微调。

wind-mcp skill（实时金融数据）

当你需要用实时/准实时数据（如当天收盘价）补充历史数据库：

1	wind-mcp ──→ 实时行情 ──→ Betalens 回测

适合日内择时、盘中监控等需要实时数据的场景。

betalens-dev skill（开发辅助）

当你需要快速查阅 Betalens 的 API 签名、参数说明、注意事项：

1	betalens-dev skill ──→ API 速查

学习资源索引

资源	定位	访问方式
`docs/getting-started/*.rst`	安装与快速开始	仓库内 `docs/`
`docs/guide/*.rst`	专题指南（10 篇）	仓库内 `docs/`
`docs/api/*.rst`	API 参考	仓库内 `docs/`
本系列 01-24	新手入门（当前系列）	博客
Dashboard Swagger	API 文档	`http://127.0.0.1:8000/docs`

下一步：从研究到产品

如果你完成了整个系列，以下方向可以作为进阶方向：

因子挖掘：用 mining 模块系统地扫描因子参数空间，找到更多有效因子。
多因子模型：把多个独立因子组合成 Barra 风格的多因子组合，用 multi_characteristic 分组。
实盘对接：把 BacktestBase 的调仓信号通过 API 传给交易系统（这部分 Betalens 不直接支持，需要自行对接）。
因子商城：把跑通的因子发布到 Dashboard，形成团队共享的因子库。
机器学习因子：用 sklearn/torch 在因子值和收益之间训练 ML 模型（如 XGBoost），作为复合因子输入。

系列完结。祝你的因子研究一帆风顺。

系列目录：