吃過晚飯回到房間，電腦屏幕因為長時間無操作已經進入了休眠。
江臨晃了一下滑鼠，屏幕亮起，下載管理器里的進度條已經拉滿。
那個標著minute_market_data_v3.zip ，大小足有3.4GB的數據集，安靜地躺在他的本地硬碟里。
江臨趁著解壓的間隙看了看規則。
平台那個UI極其簡陋的任務說明頁面上，規則寫得很長，密密麻麻的一大篇免責條款和計分細則。
數據禁止外傳，允許使用公開算法，允許提交清洗後的異常標記文件、方法說明報告和輔助腳本等等。
江臨把幾段規則複製下來，粘貼到本地新建的記事本里，然後用滑鼠給其中三個詞加了粗。
隱藏標籤，可復現性，泛化能力。
這三個詞，比那八千塊錢獎金重要得多。
它透露了主辦方真正的痛點。
他們不要那種在特定數據集上跑分很高，換個市場環境就徹底拉胯的比賽特供模型。
他們要的是一條真正能落地的工業級清洗流水線。
江臨卻看得眉頭微皺。
因為他熟悉的是壞數據，不是金融市場。
溫度傳感器零點漂移、相機暗場噪聲、光學支架熱脹冷縮、輻射計被宇宙線打出異常尖峰，這些東西他處理過太多次。
可是分鐘級行情不是溫度曲線，成交量不是傳感器採樣，停牌標記也不是設備掉線。
如果連繫統的基本工作方式都沒弄清楚，就急著下手清洗數據，那不叫審計。
那叫把自己的無知寫進腳本里。
江臨把下載頁面暫時放到一邊，新建了一個文檔。
標題只有四個字：量化補課。
目標：學習這些數據在什麼制度和流程下產生。
他先從最基礎的欄位開始查。
開盤價，成交量，復權，漲跌停……
每一個詞他都只看最基礎的定義，不往投資策略上發散。
遇到講十倍收益，穩定套利，資金曲線完美的帖子，直接關掉。
遇到有人認真討論未來函數，倖存者偏差，樣本外失效，滑點和衝擊成本的長帖，才停下來讀。
兩個小時後，他列出了六個必須先確認的制度性問題，從集合競價邊界到測試集隔離方式，並在紙上畫出一條很粗糙的數據鏈路。
最後評價為：量化數據不是市場本身，是市場經過多層設備，制度，軟體和商業口徑之後留下的影子。
這句話寫完，他又下載了數據字典和平台提供的Baseline（基準參考代碼）。
數據字典是一個二十多頁的PDF文件。
不得不說，提供方在脫敏上做得很絕。
那個所謂的標的代碼，根本不是什麼諸如600519這種能在軟體里搜出來的股票代碼，而是被全部轉成了一長串毫無規律的MD5哈希值。
時間戳里的交易日（date_id）也做了整體偏移。你沒法知道這是2015年股災時的數據，還是2020年抱團行情時的數據。
所有的價格和成交量也全都在後台做過了等比例縮放，絕對值已經失去現實含義，只保留了零值、缺失、相鄰變化率以及同一口徑下的相對關係。
這意味著，你不可能靠現實世界的金融常識或者去查雅虎財經的歷史記錄，去反推哪一隻股票在某年某月某日發生了什麼異常。
這很對江臨的胃口。
因為外部查資料的捷徑被切斷後，剩下的勝負就會回到數據內部的邏輯、制度邊界和審計能力上。
江臨打開Windows命令行窗口，在工程目錄下建好了五個分類文件夾。
解壓數據集的壓縮包。
進度條走完後，data_raw 文件夾里出現了四個龐然大物。
train_features.parquet，train_labels.csv，test_features.parquet，sample_submission.csv
他現在用的這台二手電腦，內存只有可憐的8G。
如果直接用Pandas把這三點幾個G的Parquet格式數據全量讀進內存，這台二手機器大概率會直接卡死。
於是，他打開編輯器，寫了一個幾十行的Python短腳本。
只讀表頭元數據和前面的前一百萬行樣本切片，用來探路。
十分鐘後，按下運行鍵。
終端里瞬間刷出一長串刺眼的紅字報錯信息。
江臨盯著那串紅字，愣了兩秒，然後啞然失笑。
現實世界就是這樣充滿黑色幽默。
你躊躇滿志，以為自己馬上就要面對深不可測的資本市場，要去手撕複雜的金融微觀結構了，結果第一刀，卻結結實實地砍在了一個缺失的底層依賴庫上。
「行吧，先搞後勤。「
江臨搖了搖頭，在命令行里敲下了安裝命令。
看著屏幕上跳動的一個個下載進度條，他順手把這些包的版本號，一個不落地記錄在了剛才的audit_log里。
晚上九點四十六分，環境配置完畢。
第一批百萬行的切片數據，終於順利地被讀進了內存。
屏幕上整齊地列印出了十幾個常規行情欄位，最後跟著三個由平台方自己生成的輔助欄位。
session_id，source_flag，row_weight。
江臨沒有急著去看那些價格數字，而是盯著這最後三個欄位看幾眼，評價為。
【凡是平台方稱作內部質量分組的欄位，先不要當特徵使用，先當潛在污染分層變量審計。】
接下來，他開始對這一百萬行切片做最基礎的偵查審計。
江臨把腦子裡的幾個基礎常識翻譯成幾行乾淨利落的聚合代碼，點擊運行。
筆記本電腦發出低沉的轟鳴，CPU風扇開始高速轉動，像是在抗議這種壓榨。
第一輪審計腳本跑了足足二十多分鐘。
終端里，一行行統計結果慢慢跳了出來。
和江臨預想的一樣，大部分記錄看起來非常平滑正常，但也有一小撮記錄髒得讓人沒眼看。
畢竟這個比賽的任務就是找髒數據，有異常是在預料之內的。
江臨平靜地寫了幾行畫圖腳本，把那些被篩出來的異常樣本隨機抽了幾個，畫成走勢圖。
這些異常都太淺了。
寫幾個if-else的條件過濾就能抓得一清二楚。
江臨心裡盤算著，如果只靠這些表層的業務邏輯去提交，應該能穩定拿到一個中等偏上的分數，拿不到獎金，但至少能及格。
如果任務只停留在這些表層邏輯錯誤上，就不值得平台設置人工報告評分。
江臨揉了揉有些發酸的眼睛，喝了一口水，繼續往下看第四個問題的統計結果。
凌晨一點二十，當缺失值的分布矩陣渲染在屏幕上時，他終於發現了第一處讓他皺起眉頭的異常現象。
數據里的缺失值，不是均勻出現的。
如果是一般的低流動性標的，出現偶爾的數據缺失是很正常的。
又或者，是某一隻股票的交易所接口突然卡頓，造成幾分鐘的斷檔，這也說得通。
但現在屏幕上顯示的問題是，缺失極其密集地集中在若干個date_id的同一段minute_id上。
而且，更詭異的是，這些minute_id的缺失，橫跨樣本里成百上千個不同的symbol_id。
為了看清楚，江臨把這百萬行數據的缺失分布狀態畫成了一張二維熱力圖。
橫軸是時間，縱軸是標的代碼，有數據的地方是深藍色，缺失的地方是刺眼的亮黃色。
屏幕上赫然出現了幾條橫貫全圖的亮黃色條帶，就像一整塊深藍色的布料上，被人用刀殘忍地劃出了幾道平行的巨大傷口。
這不是某一隻股票的交易出了問題，不是標的自身的市場行為！
這更像是在那個特定的時間段，負責收集市場數據的某一台核心伺服器突然宕機了，或者是底層供應商的某根專線斷了，導致整個市場在這一段切片上的數據，經歷了全鏈路的集體丟包。
江臨立刻切回audit_log，在日誌里重重地敲下一行字。
【異常類型 A：橫向時間截面級缺失。】
【推斷：此異常不屬於市場本身的交易特徵，極大概率是數據供應商底層接口故障，或平台拼接多源數據時發生的時間軸對齊失誤。】
他順著這個思路往下查，試圖把所有出現過橫向斷層的時間段全部圈出來。
接著，他犯了一個非常小但足以致命的常識性錯誤。
他在熱力圖上框選時，發現不僅是某些隨機的日子有橫向傷口，幾乎每一個date_id的中間段，都有一大塊規則的、橫貫全市場的空白區域。
江臨毫不猶豫地把這段規則的空白也標記成了異常缺失。
但在按下保存鍵的那一瞬間，他的手指懸停在了半空。
「等等，所有標的，每一天，在中間完全相同的位置，準時切斷，又準時恢復？「
江臨忽然意識到什麼，快速切出代碼界面，打開瀏覽器，在搜尋引擎里輸入了A股交易時間。
頁面立刻跳出結果：上午 9:30 - 11:30，下午 13:00 - 15:00。
中午有一個半小時的休市。
江臨拍了一下自己的腦門。
自己把這部分規則的空白當成了數據丟失。
他打開數據字典，重新審視那個極其含糊的session_id。
平台雖然對具體的時間做了脫敏和偏移，但session_id依然誠實地保留了每天上、下午兩個交易時段的結構信息。
江臨立刻把那部分標記全部撤掉，回到日誌本，坦然地記錄下自己的失誤：
【誤判 001：將正常的午間休市造成的物理時間斷點，誤識別為系統級數據缺失。】
【原因分析：過於迷信數據表象，未在建模前建立現實市場的物理約束前提。】
【修正方案：後續所有統計和清洗動作，必須先按session_id將每日行情嚴格分段隔離建模，禁止跨越休市期計算任何差分特徵。】
寫完這一段，他感到一陣輕鬆。
這就是糾錯的快感。
承認無知，排除干擾，把系統的邊界再一次收緊。
時間已經推移到了凌晨兩點半。
江臨搓了搓臉頰，驅散了一絲困意，打開那個官方提供的baseline.ipynb文件。
這是一個用Jupyter Notebook寫的演示級基準代碼。
平台方寫得很簡陋，主要是演示如何讀入數據、構造特徵、跑通提交流程。
後面的模型部分他暫時沒有執行，只順著預處理代碼往下看。
江臨一行一行地往下掃，目光快速解析著這些代碼背後的邏輯。
看到第六十七行的時候，他握著滑鼠的手突然停住了。
那是一段做特徵標準化的代碼。
為了讓不同量綱的數據能在一個尺度下訓練，它把訓練集和測試集直接合併成了一個大表。
然後，它計算了這個大表里每個特徵的全局均值和全局標準差。
最後，它用這個包含了所有未來數據的全局統計量，去對整個數據集進行了放縮。
在很多網上的開源教程或者新手的數據分析作業里，這種寫法非常常見。
用一句fit_transform全部搞定，方便，省事，代碼看起來也很整潔。
但如果在普通的不強調時間順序的機器學習比賽，比如識別貓狗圖片裡，這叫數據泄漏。
但在量化金融這種時間序列數據里，它遠比普通泄漏更糟。
因為時間的前後因果順序，本身就是這個系統的物理定律。
你不能用明天的最高溫和最低溫，來重新定義今天溫度計刻度的零點。
如果你這麼做了，今天的數據里就不可避免地夾雜了對未來的預知。
江臨沒有立刻在日誌里下定論。
科學精神要求證據，而不是拍腦袋的直覺。
他立刻新建了一個短小精悍的驗證腳本。
他只取了10 個symbol_id，只取了時間軸上緊挨著的兩個date_id作為訓練窗和測試窗。
他做了兩組對照——一組照搬Baseline的合併邏輯，一組嚴格遵守時間因果律只用歷史窗口。
腳本一秒鐘跑完，江臨調出折線圖。
結果非常清晰。
在發生了劇烈價格波動的測試窗口期，第一組由於預先看見了這些劇烈波動，使得標準化後的異常數值被顯著地壓低了。
換句話說，官方提供的這個Baseline，正在潛移默化地把未來信息揉進最初的預處理步驟里。
它像一個被下了蒙汗藥的警報器，讓一部分本該極其刺眼的異常數據，看起來顯得沒那麼異常了。
這不是什麼參賽者惡意尋找代碼漏洞作弊，這更像是平台技術人員在趕工時犯下的一個愚蠢的工程疏忽。
這個疏忽，足夠讓公開排行榜的一部分分數失去參考意義。
至少，那些沿用官方baseline預處理流程的方案，已經不再乾淨。
江臨看著屏幕上兩條劈叉的折線，腦海中忽然響起了白天在江大A301教室里，趙明遠教授敲著黑板說的那句話。
「一個近似方法最危險的時候，不是它算出來的誤差有多大。而是它賴以成立的前提本身已經崩掉了，而你卻還在渾然不覺地照常使用它。「
Baseline現在的處境就是如此。
不是模型跑出來的精度不夠高，而是它在預處理的第一步，就已經從物理根基上破壞了時間序列的因果律法則。
凌晨三點十一分，夜深人靜，整座城市都沉睡了。
江臨在日誌本的最後，敲下一行字。
【異常類型E：Baseline 存在系統級未來信息泄漏。】
【機理：在預處理階段合併訓練/測試集進行全局標準化計算，從根本上破壞了時間序列數據的因果結構，導致測試窗異常特徵被平滑稀釋。】
【註：此現象絕不是參賽選手應該用來刷分的漏洞，因為用它訓練出的模型在現實中只有死路一條。它或許是一個應當直接向平台方提交審查的賽題本身的安全級缺陷。】
接下來的兩天裡，江臨幾乎沒有離開過自己的房間太久。
除了一日三餐母親會準時敲門叫他吃飯，偶爾切點水果端進來放桌上，剩下的時間，他像一尊雕塑一樣焊死在了電腦屏幕前。
期間，班主任老劉實在放心不下，給他打了個電話。
得知他宅在家裡，也就放心了。
這兩天裡，江臨把所有的時間，像切片一樣精準地分配在了三件最基礎也最枯燥的事情上。
建立嚴苛的交易時段物理約束體系，構建底層欄位間的邏輯一致性網絡，建立全方位的數據缺失機制分類詞典。
他把這些所有的審計規則，全部封裝成了可以獨立開關的模塊。
就像一套精密運轉的工具機，每一條數據流過，經歷了哪一刀切削，觸發了哪一條警報，全部都被詳細地記錄在日誌里。
每一個最終輸出的異常標籤，都能順藤摸瓜，一路回溯到它最初被觸發的根本物理原因。
第三天上午，江臨生成了第一份submission.csv，點擊平台的提交按鈕。
平台背後的伺服器轉了幾圈，自動評分結果很快就刷新在了頁面上。
得分 0.7812，排名第13。
頁面上方，有好幾個暱稱花哨的帳號，分數已經衝到了0.85以上，高出他一大截。
江臨看著那個穩穩停在中間的排名，點開排行榜前幾名的公開提交說明。
為了拿獎，選手需要在說明里簡述思路。
這些文字寫得極其漂亮，充滿了前沿學術的既視感。
什麼基於孤立森林與LightGBM的集成異常檢測框架，什麼使用了LSTM-AutoEncoder自動編碼器進行無監督時序異常識別……
在某位目前排在第二名的選手的說明里，江臨甚至看到了這樣一句話：「本方案構建了一個具有深層表達能力的複雜網絡，充分學習了該市場的微觀結構特徵與價格博弈邏輯，從而精準定位異常節點。「
江臨搖了搖頭，將這些花里胡哨的說明關掉。
用一個區區3.4GB，被嚴重人工脫敏，混雜著供應商丟包和平台拼接錯誤，甚至連Baseline都在泄露未來信息的垃圾切片樣本，去教一個深度神經網絡學習資本市場的微觀博弈邏輯？
這就像在一個充滿著電磁干擾和生鏽探頭的廢墟里，指望通過測量一堆滿是亂碼的底噪，來推導宇宙大爆炸的起源一樣荒謬。
他繼續下載自己剛才提交後平台返回的少量錯誤樣本反饋。
分析反饋後，他發現自己用純粹硬邏輯織成的網，確實漏掉了一些隱蔽的異常。
特別是那些在極短時間內出現一個尖銳的價格刺破，然後在下一分鐘又迅速回落到正常水平的孤立波動。
這種波動，在成交量和基本價格關係上並沒有違背欄位一致性，用基礎規則很難抓死。
於是，他打開代碼，冷靜地追加了一個穩健統計模塊。
把每個symbol_id的數據，放進按session分離的滾動窗口裡，計算每個點的MAD。
寫完MAD模塊，並用它作為補充警報器後。
江臨點擊了第二次提交。
得分0.8105，排名上升至第9。
仍然沒有擠進最前排的爭奪戰。
但這一切都不重要了。
因為在他的桌面文件夾里，那份配合代碼使用的分析報告，頁數已經寫到了第二十頁。
他把前兩次提交的模型差異、思路轉變，以及對MAD統計魯棒性的數學解釋，全部更新進了版本日誌。
晚上十點，萬籟俱寂。
江臨端著杯剛泡好的濃茶回到桌前，打開一個空白的PDF模板。
他給這份報告起了一個樸素的名字：《分鐘級行情數據異常檢測與回測前置審計報告》。
第一頁，是報告摘要。
他敲下了那段早已在腦子裡盤旋了兩天的話。
「本報告的核心觀點認為，該脫敏數據集中的異常，不屬於單一維度的統計分布分類問題。經過邏輯拆解，該數據的污染源頭至少來自四條不同鏈路：交易時段邊界未正確隔離導致的差分污染，除權除息或尺度縮放造成的復權口徑不一致，標的自身低流動性導致的零星缺失，以及數據供應鏈或平台脫敏拼接過程造成的橫向截面級缺失。」
「此外，本報告注意到，部分橫向缺失帶、相鄰 date_id 邊界處的價格尺度突變，以及平台內部質量分組欄位 source_flag 的變化之間存在顯著同步關係。由於 source_flag 的真實業務含義未公開，本文不對其作確定解釋，僅建議主辦方在最終評測前，按該欄位對底層數據源、清洗批次或供應商接口切換記錄進行分層覆核。」
「若參賽者無視上述數據生成鏈路，直接將所有異常視作同一類統計分類任務交給黑盒模型擬合，模型很可能把數據供應鏈本身的工程缺陷誤學習為市場交易行為。此類結果即使在公開榜單上取得較高分數，也缺乏真實工程場景下的泛化價值。」
打完最後一個標點，江臨往後靠了靠，揉了揉發酸的脖頸。
寫完摘要，在第二頁，他花了一個小時，用繪圖工具畫了一張極其專業的流程拓撲圖。
標題是：數據生成與污染鏈路追蹤。
在這條漫長的鏈路上，每一個節點下方，他都用紅色箭頭精準地標出了可能且已經發生在該數據集上的污染類型。
他要用這張圖直接把對方拉到他的視角，讓對方看清楚：我不是在解一道算法題，我是在幫你們做整個測量系統的外科手術。
第三頁開始，是江臨定義的核心異常類型詳述。
江臨端起茶杯抿了一口，杯壁的溫度已經涼了大半。
光標在文檔末尾的空白頁上閃爍。
他深吸一口氣，敲下了那個獨立的章節標題。
E類：Baseline級未來信息泄漏。
這個章節一旦寫進去，整份報告的性質就變了。
前面四類異常，都是在認真完成主辦方發布的找髒數據的任務，無論找得多深，都是一個優秀參賽者的本分。
但這第五類，是在直接掀主辦方的桌子。
等於是在告訴評委，你們官方提供的演示代碼，從地基上就是爛的。
如果寫得語氣太輕柔，評審專家在快速翻閱時可能會直接掠過，當沒看見。
如果寫得攻擊性太強，評審出於維護平台面子的心理防衛，極大概率會認為他是一個分數跑不高就在這裡強行挑刺的刺頭，直接把他的報告掃進垃圾堆。
江臨靠在椅背上思索了片刻，最後選擇了一種讓人無法反駁的寫法。
不摻雜任何感情評價，只提供鐵一般的運行證據。
他把那個早就準備好的最小復現實驗全部貼了進去。
在詳實的數據和對比圖表之後，他寫下了最終結論。
「實驗證據表明，若在特徵預處理階段盲目採用測試集參與計算全局統計量，異常分數的分布狀態將直接受到未來樣本波動的污染。這不僅在邏輯上破壞了時間序列分析的基本底線，更會導致目前的公開榜單得分，在相當大程度上只反映了部分參賽選手利用該數據切分缺陷過度擬合的能力，而非其算法真實的異常檢測能力。「
第四天上午八點十七分，距離整個挑戰賽提交通道關閉還有不到六個小時。
江臨點擊了最後一次提交，上傳了第三版模型結果。
頁面刷新，自動評分出來了。
排名第7。
依然沒有進入能拿到表面大獎的前五名金字塔尖。
但他沒有再試圖去修改任何參數刷榜。
而是把最終版的清晰結果CSV，所有模塊化和注釋詳盡的Python腳本，記載了環境依賴的requirements文本，以及那份二十四頁的PDF審計報告一起打包成一個壓縮文件包。
上傳至系統的最終成果物欄。
網頁中央出現了一個藍色的加載圈，轉了兩三秒鐘，跳出了提交成功，感謝參與的綠色提示框。
江臨長出了一口氣，向後重重地靠在椅背上。
至於對方什麼時候會看到？
看懂了之後，是坦誠地承認系統錯誤，還是為了掩蓋失誤選擇死不認帳，甚至直接將他刪帖封號？
這一切的變量，都已經不在他現在的控制範圍之內了。
但他已經在這個貧瘠的切片上，做到了邏輯的極致。
江臨關掉瀏覽器，舒展了一下有些僵硬的肩頸，拿起桌上的杯子，推開房門去客廳倒水。
十分鐘後，他端著水杯回到房間，剛喚醒電腦屏幕，沒關掉的賽事網頁，頁面右上角的通知小鈴鐺處，顯示有新的站內信。
發件人帶著藍色V字認證：平台技術組管理員-DataOps_03。
江臨坐下去點開私信。
「你好，1453號參賽選手。評審組剛才初步查閱了你的附件材料。我們注意到了你在報告E類章節中，嚴肅指出Baseline代碼可能存在預處理階段的信息泄露問題。「
「由於此問題如果屬實，將嚴重影響本次挑戰賽最終評測的公平性。煩請你在24小時內，單獨向本帳號補充提交一個獨立的最小復現實驗代碼包，並羅列了一長串嚴苛的復現包提交要求。「
「另附：在問題徹底核實並出具官方通告之前，煩請暫勿在比賽的公開討論區發布任何關於此漏洞的推導與截圖內容，感謝配合。「
好嘛。
這封來信的口吻雖然官方且嚴肅，但字裡行間的意思已經相當直白——他們看懂了，而且整個技術團隊此刻一定不輕鬆。
因為一旦這個問題被徹底坐實，這就是一次嚴重的事故級命題失誤。
如果江臨是個愣頭青，直接把報告丟到全網的開源社區和量化論壇里，這個平台背後的整個技術團隊，都要淪為業界的笑柄。
江臨慢條斯理地把水杯放在桌角，重新打開命令行終端，在原有的工程目錄旁邊新建了一個文件夾。
mkdir minimal_reproduce_leakage
然後，他熟練地切進那個陪伴了他四天的audit_log文本文件。
光標移動到文件的最末尾，他敲下一行代表著系統狀態變更的記錄。
【階段性事件觸發：第一次最終提交雖未取得虛高榜首，但核心報告已成功擊穿對方防禦，觸發賽事技術組與數據提供方的人工覆核流程。】
【下一執行目標：在兩小時內構造純淨最小復現實驗，用代碼迫使對方的工程漏洞脫離一家之言的觀點，固化為不容辯駁的可運行物理事實。】