可复现研究：不要只保存一张漂亮图，要保存它是怎么长出来的

报告只写“数据来自某 API”，为什么还不能复现？

可复现性要求另一个人在获得相同输入、代码、参数和版本条件后，能够重做出相同的分析过程。金融数据会更新，因此时间戳和版本同样属于证据。

从一张结果图开始，应该一路追到代码、参数、处理后数据和原始来源

如果研究只留下“年化收益 12%”这一行，没人知道这个数字来自哪段历史、是否含成本、用了哪版规则、数据有没有后来修订。可复现的目标，是让结果能一路倒查到最初输入。

问题、数据、代码、试验、限制，组成最小研究包

1. 1研究问题测试什么因子或规则，评价指标是什么，什么结果会让假设失去支持。
2. 2数据快照来源、许可、时间范围、版本、清洗步骤和样本边界。
3. 3代码与环境脚本版本、依赖、运行环境和必要的随机种子。
4. 4全部试验参数、版本、成功和失败结果都保存，不能只留下冠军。
5. 5限制样本偏差、成本假设、缺失数据、适用环境和仍未解决的问题。

如果 AI 参与摘要、写代码或生成特征，输入和人工修改同样要留下

例如让 AI 根据一份财报生成结构化字段，就应保存原材料版本、提示目标、最终采用的字段以及人工修正。否则下一次结果不同，你无法判断是数据变了、模型输出变了，还是人工编辑变了。

如果数据有幸存者偏差，代码完全可复现只会稳定地重复这个偏差

可复现解决的是“别人能不能得到同样结果”，不是“这个结果是否代表真实世界”。所以复现之后仍要审查数据、假设、成本、过拟合和反例。它让错误更容易被定位，而不是让错误自动消失。

AI 和量化真正带来的不是“更确定”，而是把研究变得更快、更一致、更容易检验

1. 36AI 辅助加速整理、提取、解释和代码初稿，但关键事实要核验。
2. 37因子把市场特征变成统一、可计算的定义。
3. 38数据保证输入的来源、时间、版本和样本边界可信。
4. 39过拟合防止大量试验把历史噪声包装成规律。
5. 40可复现研究把整条链保存下来，让结果可以重跑、质疑和修正。