吃过晚饭回到房间，计算机屏幕因为长时间无操作已经进入了休眠。

    江临晃了一下鼠标，屏幕亮起，下载管理器里的进度条已经拉满。。

    江临趁着解压的间隙看了看规则。

    平台那个UI极其简陋的任务说明页面上，规则写得很长，密密麻麻的一大篇免责条款和计分细则。

    数据禁止外传，允许使用公开算法，允许提交清洗后的异常标记文档、方法说明报告和辅助脚本等等。

    江临把几段规则复制下来，粘贴到本地新建的记事本里，然后用鼠标给其中三个词加了粗。

    隐藏标签，可复现性，泛化能力。

    这三个词，比那八千块钱奖金重要得多。

    它透露了主办方真正的痛点。

    他们不要那种在特定数据集上跑分很高，换个市场环境就彻底拉胯的比赛特供模型。

    他们要的是一条真正能落地的工业级清洗流水线。

    江临却看得眉头微皱。

    因为他熟悉的是坏数据，不是金融市场。

    温度传感器零点漂移、相机暗场噪声、光学支架热胀冷缩、辐射计被宇宙线打出异常尖峰，这些东西他处理过太多次。

    可是分钟级行情不是温度曲线，成交量不是传感器采样，停牌标记也不是设备掉线。

    如果连系统的基本工作方式都没弄清楚，就急着下手清洗数据，那不叫审计。

    那叫把自己的无知写进脚本里。

    江临把下载页面暂时放到一边，新建了一个文档。

    标题只有四个字：量化补课。

    目标：学习这些数据在什么制度和流程下产生。

    他先从最基础的字段开始查。

    开盘价，成交量，复权，涨跌停……

    每一个词他都只看最基础的定义，不往投资策略上发散。

    遇到讲十倍收益，稳定套利，资金曲线完美的帖子，直接关掉。

    遇到有人认真讨论未来函数，幸存者偏差，样本外失效，滑点和冲击成本的长帖，才停下来读。

    两个小时后，他列出了六个必须先确认的制度性问题，从集合竞价边界到测试集隔离方式，并在纸上画出一条很粗糙的数据链路。

    最后评价为：量化数据不是市场本身，是市场经过多层设备，制度，软件和商业口径之后留下的影子。

    这句话写完，他又下载了数据字典和平台提供的Baseline（基准参考代码）。

    数据字典是一个二十多页的PDF文档。

    不得不说，提供方在脱敏上做得很绝。

    那个所谓的标的代码，根本不是什么诸如600519这种能在软件里搜出来的股票代码，而是被全部转成了一长串毫无规律的MD5哈希值。

    。你没法知道这是2015年股灾时的数据，还是2020年抱团行情时的数据。

    所有的价格和成交量也全都在后台做过了等比例缩放，绝对值已经失去现实含义，只保留了零值、缺失、相邻变化率以及同一口径下的相对关系。

    这意味着，你不可能靠现实世界的金融常识或者去查雅虎财经的历史记录，去反推哪一只股票在某年某月某日发生了什么异常。

    这很对江临的胃口。

    因为外部查资料的捷径被切断后，剩下的胜负就会回到数据内部的逻辑、制度边界和审计能力上。

    江临打开Windows命令行窗口，在工程目录下建好了五个分类文档夹。

    解压数据集的压缩包。

    他现在用的这台二手计算机，内存只有可怜的8G。

    如果直接用Pandas把这三点几个G的Parquet格式数据全量读进内存，这台二手机器大概率会直接卡死。

    于是，他打开编辑器，写了一个几十行的Python短脚本。

    只读表头元数据和前面的前一百万行样本切片，用来探路。

    十分钟后，按下运行键。

    终端里瞬间刷出一长串刺眼的红字报错信息。

    江临盯着那串红字，愣了两秒，然后哑然失笑。

    现实世界就是这样充满黑色幽默。

    你踌躇满志，以为自己马上就要面对深不可测的资本市场，要去手撕复杂的金融微观结构了，结果第一刀，却结结实实地砍在了一个缺失的底层依赖库上。

    “行吧，先搞后勤。“

    江临摇了摇头，在命令行里敲下了安装命令。

    看着屏幕上跳动的一个个下载进度条，他顺手柄这些包的版

    晚上九点四十六分，环境配置完毕。

    第一批百万行的切片数据，终于顺利地被读进了内存。

    屏幕上整齐地打印出了十几个常规行情字段，最后跟着