将本次研讨会的方法应用于一个实盘模型：一个通用横截面排序模型（universal cross-sectional ranking model）、 行业中性（sector-neutral）的排序 alpha。AlphaForge 在这里的贡献并不是公式生成——而是它的动态组合（dynamic combination）模块。把每个行业当作一个专家（expert），让 AlphaForge 基于信息系数（Information Coefficient, IC）/ 信息比率（ICIR）门控的组合器每月决定该倚重哪些专家，你就得到了一个行业专家混合（Mixture of Sector Experts）的元 alpha。是 Topic 6 的纪律使它保持诚实。
本案例研究是一个通用横截面排序模型（universal cross-sectional ranking model）：数据 → ML 排序 → 行业内排序 → 行业中性（sector-neutral）多空构建，在市值前约 35%（top ~35% by market cap） 的美股池上月度调仓（monthly rebalance）（随时间重新排序）。其声称的画像很有吸引力——2003–2024 年间长期夏普比率在 1.3–1.5 区间，收益无法被 FF5+动量（FF5+Momentum）跨度解释，约 90% 的 PnL 来自多头（赢家识别）腿，并且 alpha 集中在某些行业、在另一些行业偏弱（尤其是金融业）。
使这成为一个研究纲领而非单一策略的重新框定是：排序才是 alpha；行业中性只是组合构建。正是这一 区分让我们能把一个模型变成一个结构化的引擎。
单一的全局排序器假定一个特征在每个行业里含义相同。本案例研究自身的证据与此相悖：同一模型在科技 / 医疗保健中 强劲，而在金融业中偏弱。经济学原因是横截面离散度（dispersion）——特异性方差（idiosyncratic variance）占比高的行业（科技、医疗、可选消费）给选股模型提供了可利用的空间；而由利率和宏观因子主导的行业 （公用事业、金融）特异性离散度低、选股 alpha 很少。因此系统的自然单元既不是股票也不是公式——而是 （行业）专家。
具体而言，在每个 GICS 行业 $k$ 内运行排序器，产生一个行业专家得分向量 $s^{(k)}(X_t)$ 及其实现的多空分腿收益 $r^{(k)}_t$。你现在持有 $K\approx 11$ 个专家流。待解的问题就变成了：今天每个专家应该承载多少资本？ ——而这正是 AlphaForge 第二阶段（Stage 2）回答的问题。
从 AlphaForge 中可借鉴的最有用的一个想法是：组合应当是动态的：不要 在研究阶段固定权重；随条件变化重新选择和重新加权。把它的两个阶段映射到本案例研究上：
| AlphaForge 阶段 | 它在那里做什么 | 在行业引擎中的角色 |
|---|---|---|
| 第一阶段（Stage 1）——生成-预测式挖掘 | 生成公式化 alpha，用代理评分 | 你的信号层——如今是通用排序器；以后是一个提出新行业专家特征的 AI 代理（Phase 4） |
| 第二阶段（Stage 2）——动态组合 | 每天按近期 IC/ICIR 筛选因子并重新拟合权重 | 行业专家之上的元加权器——即时的应用 |
在 AlphaForge 的池中，条目是单个公式；这里条目是行业专家。组合器的任务是相同的：保留当前展现出技能的 专家，剔除其余的，并对留下的进行加权。这正是"学会金融业何时有效"的有纪律形式——门控依据近期已实现的 IC，而非一个会招致过拟合的自由制度（regime）择时层。
在每次调仓 $t$ 时，仅使用 $t$ 时可得的信息，在一个滞后窗口 $[t-L,\,t]$ 上估计每个专家的技能：
$$\bar{IC}^{(k)}_t=\frac{1}{L}\sum_{\tau=t-L}^{t}\rho\bigl(s^{(k)}(X_\tau),\,y_\tau\bigr),\qquad \text{ICIR}^{(k)}_t=\frac{\bar{IC}^{(k)}_t}{\sigma\bigl(IC^{(k)}_\tau\bigr)}.$$用文字说：$\bar{IC}^{(k)}_t$ 是行业 $k$ 的专家近期对股票排序得有多好；ICIR 是排得有多稳定。
应用 AlphaForge 的门控——只配置给当前展现出技能的专家：
$$\mathcal{K}_t=\bigl\{\,k:\ \bar{IC}^{(k)}_t>\text{IC}'\ \text{and}\ \text{ICIR}^{(k)}_t>\text{ICIR}'\,\bigr\}.$$稳健加权——以优势除以波动率，加上限并重新归一化（一种逆波动率（inverse-vol）/ 风险平价（risk parity）倾斜）：
$$w^{(k)}_t \;\propto\; \frac{\max\!\bigl(0,\ \bar{IC}^{(k)}_t\bigr)}{\sigma^{(k)}_t},\qquad k\in\mathcal{K}_t,\qquad \sum_{k\in\mathcal{K}_t} w^{(k)}_t = 1,$$（等价地，一个岭回归（ridge）正则化的 OLS $\mathbf{w}_t=(\mathbf{Z}_t^\top\mathbf{Z}_t+\lambda\mathbf{I})^{-1}\mathbf{Z}_t^\top\mathbf{y}_t$）。元 alpha 就是存活专家得分的加权混合：
$$\hat{y}_{t+1}=\sum_{k\in\mathcal{K}_t} w^{(k)}_t\,s^{(k)}(X_{t+1}).$$alphalib.transforms.edge_to_weights / inverse_variance_weights（迭代加上限），
而动态重新选择就是 backtest/portfolio.py 中的 combine 步骤。实现只是管道工作，而非
新机器：行业专家就是"池"，$\bar{IC}^{(k)}_t$ 就是优势，门控 + 重新归一化在净化（purged）滚动前推
（walk-forward）内的每次调仓中运行。
"学会每个行业何时有效"是这个纲领中最诱人、也最容易过拟合的部分。有两条规则使它保持诚实，二者都继承自本次研讨会：
由于行业权重每月变动，组合器在基础排序器之上增加了换手率（turnover）。要在元 alpha 上、而不仅仅是在专家 上，重新运行净成本后（net-of-cost）的检验。
最终状态不是一个策略，而是一个行业专家混合 Alpha 引擎（Mixture-of-Sector-Experts Alpha Engine）： 一个基础排序器、逐行业专家、一个 AlphaForge 风格的动态组合器，以及顶上的一个代理式发现循环——每一层都在成本调整、 收缩后的表现上以下面一层为基准。这才是顶级量化机构真正看重的资产：不是一个夏普数字，而是一个能持续产出这些数字的 研究过程。
Shi et al. (2025), AlphaForge, AAAI — arXiv:2406.18394（动态组合模块）。
Grinold (1989), The Fundamental Law of Active Management, J. Portfolio Management（$\text{IR}\approx\text{IC}\sqrt{\text{Breadth}}$）。
Bailey & López de Prado (2014), The Deflated Sharpe Ratio；López de Prado (2018), Advances in Financial Machine Learning（净化交叉验证、元标注）。
参见 Topic 3（AlphaForge）、Topic 6（收缩）、Topic 7（Alpha Agent 2.0）。