红墙泰和 · Quant Research

一面（2025.12.31）

本轮题目共包含 2 道开放性题目及 1 道实操题目，请于收到题目后的 24 小时内完成作答并提交。题目主要考察模型训练素养和模型思维，不存在标准答案，请独立作答，严禁使用 AI。

一、开放题目（直接在本页面作答）

1. 在正式开展模型训练前，你会从哪些维度对特征数据进行系统性检查与预处理（例如特征相关性、数据类型等）？请分模块说明你的操作流程，解释每一环节对模型效果与稳定性的影响，并讨论潜在的现实意义和优化路径。

2. 当模型训练结果显著偏离预期（如回测收益异常下滑）时，你如何定位问题并制定改进策略（例如过拟合诊断、归因分析等）？请系统性阐述你的分析思路、判断标准以及调整理念。

二、实操题目（按提交要求将作答文件上传邮件附件）

背景介绍

你正在参与一个横截面多因子股票收益率预测模型的研发任务。团队希望你对模型关键组件进行设计与实现，目标是利用每日的股票多因子特征，预测对应股票的次日收益率。

假定数据为日频的结构化数据，每天包含若干只股票的特征和目标收益率，具体格式如下：

• X: shape = (stock_num, feature_dim)，其中 stock_num 为每天上市交易的股票数，feature_dim 为对应的特征数目且为固定值。
• y: shape = (stock_num, 1)，为对应股票的次日横截面收益率。

任务要求

请围绕以下三个模块进行设计与实现，每一个模块需要通过注释详细说明选择原因以及自己的思考逻辑：

1. 模型结构设计：使用 PyTorch 构建一个适用于横截面多因子数据的预测模型，可结合 MLP、Attention、CNN、分组建模等机制进行创新。要求结构具备清晰的 forward 逻辑，并能适配每日变动的 stock_num。
2. 损失函数设计：设计一个适用于横截面预测场景的损失函数，不局限于 MSE，可考虑加入排序损失或目标导向的损失。请在注释中解释该损失函数为何适用于本问题，可以是自己的思考，也可以提供理论依据。
3. 评估指标实现：实现一个函数，用于在测试集中评估模型在单日预测中的表现，至少包含横截面 IC；可选 Top-N 分组收益率、收益排序准确率等。

提交要求

请提交以下内容，可以打包提交，也可以整理为一份 .py 文件：

• model.py：模型结构定义。
• loss.py：自定义损失函数实现。
• metrics.py：评估指标实现。

附加说明

1. 不要求完整训练流程或数据加载逻辑。
2. 可额外提交 dataset 设计、训练验证测试集切分设计、训练框架设计等内容，会视情况酌情加分，不强制要求。
3. 可在模块中使用模拟输入数据进行可行性验证。