实战教程：让 Claude 帮你做 A 股因子研究¶

本文是一次真实研究的完整记录：用 SolidRockQuant 的 MCP Server，让 Claude 独立完成 "数据准备 → 因子筛选 → 显著性确认 → 事件回测 → 模拟盘跟踪"的全流程。所有工具调用都是真实发生的 MCP 协议调用，非虚构。

0. 环境准备（一次性）¶

pip install "solidrock-quant[mcp,sources]"
srq init
srq data calendar --update

在项目根目录创建 .mcp.json：

{
  "mcpServers": {
    "solidrock": {
      "command": "srq",
      "args": ["mcp", "serve"],
      "env": { "SOLIDROCK_DATA_DIR": "/绝对路径/.solidrock" }
    }
  }
}

启动 Claude Code，/mcp 确认 solidrock 已连接。

1. 对 Agent 说目标，而不是步骤¶

你：我想验证一下 A 股的 20 日动量因子还有没有效。股票池用沪深300成分股里你挑的 30 只流动性好的，回测区间 2024-2025，先做因子分析，有效的话再回测一个按它选股的策略。

Agent 的第一个动作是 get_data_overview 摸清本地数据，然后发现缺成分股行情，自动调用 fetch_bars 批量补数据（增量幂等，重复运行安全）。你不需要告诉它怎么拉数据——报错信封里的 hint 会引导它自纠错。

2. Agent 写因子，先过静态检查¶

Agent 写出 momentum_20.py 后，第一件事是 validate_strategy——不是回测：

validate_strategy(factor_file="momentum_20.py")
→ status: ok | issues: [] | passed: [...]

如果它写了 close.shift(-1)（前视）或调用了不存在的 API，这里就会被拦截， error 里的 hint 直接指出怎么改。这是给 Agent 的安全网，也是给你的护栏。

3. 因子显著性：数字会说话¶

run_factor_analysis(factor_file="momentum_20.py", universe=[...30只...],
                    start="2024-01-01", end="2025-12-31", quantiles=5)

返回的 ic_summary 里看三个数：

指标	及格线	说明
IC 均值	\|IC\| > 0.03	方向与强度
ICIR	> 0.5	稳定性
IC > 0 占比	> 55%	一致性

layer_stats 检查层间单调性——第 1 层到第 5 层收益应大致递增/递减。跳层的因子大概率是运气。

4. 事件回测：真实约束下的成绩单¶

run_backtest(strategy_file="momentum_strategy.py", start=..., end=...,
             params={...}, name="动量-周频调仓-v1")

事件引擎与向量化筛选的区别在这里体现：T+1、涨跌停、整手、佣金印花税滑点 全部生效。重点关注：

annual_turnover × 双边成本 ≈ 费用拖累——高换手低超额的因子白忙；
rejection_counts——WEIGHT_CAP/LIMIT_UP 多说明策略与风控/市场规则打架；
与 compare_experiments 里的历史版本比，而不是与自己的最高点比。

5. 模拟盘：让时间做最后的裁判¶

run_paper_session(strategy_file=..., name="momentum-daily")

首次调用初始化组合；之后每个交易日收盘后让 Agent（或系统计划任务）调用一次——昨日订单今日开盘成交、今日收盘产出新订单，状态持久化在 .solidrock/paper/。一个月后 paper_status 看模拟收益与回测是否一致，偏离过大就回头查数据或过拟合。

纪律（Agent 与人类共同遵守）¶

单变量迭代：每次实验只改一处，实验名带上改动点；
同一数据快照下的对比才有效；
向量化结论仅用于相对比较，正式结论以事件引擎为准；
模拟盘至少跟踪一个月再谈实盘；本项目不构成投资建议。

MCP 工具完整清单见 MCP 接入指南；本文每一步对应的操作规范在 src/solidrock/agent/skills/。