系列·肆。让 LLM 写因子表达式是当下最时髦的玩法，也是最容易翻车的：AI 生成的因子里混进未来函数、常量列、幸存者偏差，回测曲线漂亮得不像话——因为确实是假的。这篇讲 factor-miner-mcp 怎么用工程纪律把这道关卡住。
因子的一生
LLM 生成因子代码
↓
沙箱执行（factor_execute） ← 隔离环境跑代码，防 os.system/网络/文件
↓
评估（factor_evaluate） ← IC / IR / 分位单调性 / 半衰期 / t 值
↓
OOS 准入（样本外验证） ← 训练窗调参，验证窗定生死
↓
入库 + 日频计算 ← 进因子库，每日增量更新
↓
衰减巡检 ← IC 掉到阈值以下报警，因子退役
这套流程对应三个 MCP 工具：factor_execute（沙箱跑代码，只回契约检查）、factor_evaluate（把因子值变成专业指标）、factor_tearsheet（完整报告）。三个工具拼起来解决一个真实断链：沙箱不回因子值、tearsheet 要自带数据，中间必须有一个"代码 → 指标"的翻译层。
真实演示：同一套评估，有预测力和纯噪声差多少
不需要 qlib 数据也能看懂评估层在干什么。构造两个合成面板（250 交易日 × 50 标的）：一个有真实预测力（次日收益 = 0.002 × 当日因子 + 噪声），一个是纯噪声，都过 analytics.factor_tearsheet：
== 有预测力因子 ==
ic.mean = 0.9968 ← 截面秩相关，接近 1
ic.ir = 748.46 ← IC 均值/IC 标准差，稳定性
分位收益 1d（q1→q5） = -0.0027 → -0.001 → 0.000 → 0.0011 → 0.0027
（严格单调递增——因子方向清晰）
多空 1d 年化 = 1.3723 ← q5-q1 价差年化
单调性 monotonic = True (increasing)
== 纯噪声因子 ==
ic.mean = -0.0030 ← 零附近晃
ic.ir = -0.02 ← 没有稳定性可言
多空 1d 年化 = -0.0008 ← 无价差
真实世界的因子 IC 能稳定在 0.03–0.05 就够吃肉了，这里的 0.99 是合成数据的理想值，拿它是为了让你看清评估指标的形状：单调的分位收益、正的 IC、够高的 IR。实盘里见到"IC 0.2+ 且分位严格单调"的因子，第一反应应该是查未来函数，而不是庆祝。
单调性判定有个细节值得学：rho > 0.9 不等于单调，服务里 quantile_monotonicity 要求严格递增/递减才给 monotonic: True——0.9 的"几乎单调"在契约测试里明确必须为 False。
三条工程纪律（这才是这个项目的核心价值）
1. 沙箱不只是防恶意，更是防"无意的越界"。 LLM 生成的因子代码里出现 import os、读环境变量、发网络请求，大概率不是攻击而是模型瞎写。test_sandbox_idioms.py（6 项测试）钉住了哪些 API 在沙箱里可用、哪些必须拒绝。沙箱执行只回 {eval_ok, eval_detail} 契约检查结果，不回因子值——取数和评估分离，杜绝"评估代码和被评估代码串通"。
2. 退化输出必须显式，不许装成正常结果。 test_degenerate_outputs.py（11 项测试）钉了两个真实事故：vol_forecast 纯 EWMA 数学上天然平坦（无均值回复），永远拿不到期限结构，后来补了 AR(1) 均值回复路径；predict 缺输入时曾恒返回 signal=0.0 / confidence=0.5，会被上层误当成真实模型输出——现在返回 insufficient_input + null。宁可报错，不返回看起来像答案的数字。
3. OOS 准入是唯一信任来源。 因子在训练窗里调参，在样本外窗口验证——假设缺失只是"标记"（不影响拿指标），但必填检查是入库闸门，不是评估闸门。因子入库后还有衰减巡检：IC 序列滚动下滑到阈值以下就报警退役。逻辑和上一篇新闻管线的"宁报错不返回脏数据"一脉相承。
跑全量回测需要什么
本文的合成演示不需要真实数据，但完整链路需要 qlib 的 cn_data（instruments/all.txt 也是 astock-data-mcp 全市场截面的本地代码表来源）：
pip install pyqlib
qrun configs/data_collector # 或用现成的社区镜像数据
python3 server.py --port 50055 # factor-miner-mcp 起服务
Docker 镜像里已带好 qlib 环境和依赖（wheels/ 目录锁了版本），服务器上一键起。
下一篇换个体裁：不挖因子了，用 Kronos 基础模型直接对 K 线做零样本预测。