可复现的研究工作流

相同的输入，相同的结果

当你、同事或评审者以后能运行同一个项目并得到相同的数字时，结果就是可复现的。无法重建的回测既不能审计、调试，也不值得信任。结果漂移通常只有几个原因：随机数、库版本不同、数据被改动或被手工编辑、设置散落在代码各处，以及隐藏状态（例如乱序运行的笔记本）。可复现的工作流会消除每一种漂移来源，并记录所用的内容。

import random

# Same seed, same "random" numbers
a = random.Random(42)
b = random.Random(42)
print([round(a.random(), 3) for _ in range(3)])   # [0.639, 0.025, 0.275]
print([round(b.random(), 3) for _ in range(3)])   # [0.639, 0.025, 0.275]

# A different seed gives a different but equally repeatable sequence
print(round(random.Random(7).random(), 3))        # 0.324

随机种子，以及它属于哪个生成器

模拟和自助法会用到随机数，而随机数其实是从种子（seed）出发的确定性序列。固定种子，运行就会完全重复。random.seed(42) 设置的是整个程序共享的唯一全局生成器，所以别处的代码再取随机数，就会让你的序列错位。更稳妥的做法是创建你自己的生成器 rng = random.Random(42)（或 numpy.random.default_rng(42)），把它传递下去并从中取数。这样结果只取决于你的种子，你设置种子也不会干扰别人的随机性。

import random

# The global generator is shared: seeding it changes everyone's numbers
random.seed(1)
first = random.random()
random.seed(1)
print(random.random() == first)        # True: global seeding repeats...

# ...but a private generator leaves the global one untouched
random.seed(1)
before = random.getstate()
mine = random.Random(99)
mine.random()
print(random.getstate() == before)     # True: your draws did not disturb it

数据与设置的指纹

你怎么知道数据文件就是上个月用的那个？计算校验和：SHA-256 之类的哈希会把任何文件变成一个定长的短字符串，只要有一个字节变化它就会变。hashlib.sha256(data).hexdigest() 可得到它；大文件要分块读取。设置也值得同样处理：用排序后的键序列化配置（json.dumps(config, sort_keys=True)），再对文本做哈希，这样两份含义相同的配置无论键的顺序如何，指纹都相同，而一旦某个值改变，指纹就不同。

import hashlib
import json

# A checksum of bytes
print(hashlib.sha256(b"AAPL,184.25").hexdigest()[:12])   # 06ea4aa73ec1 (12 characters of 64)

# A fingerprint of settings, independent of key order
def fingerprint(config):
    text = json.dumps(config, sort_keys=True, separators=(",", ":"))
    return hashlib.sha256(text.encode("utf-8")).hexdigest()[:12]

one = {"fee": 0.001, "window": 20}
two = {"window": 20, "fee": 0.001}
print(fingerprint(one) == fingerprint(two))              # True
print(fingerprint(one) == fingerprint({"fee": 0.002, "window": 20}))  # False

记录你运行了什么

每次运行都应在结果旁留下一份小小的清单（manifest）：种子、配置指纹、Python 与库的版本、每个输入文件的校验和，以及代码的 Git 提交。有了这份记录，你就能准确说出某个数字是由什么产生的，并在以后重建它。再结合前面的习惯：在 requirements.txt 中固定环境、用 Git 管理代码、把设置集中在一个文件里、用一条命令从原始数据一路运行到最终表格，中间不对数据做任何手工修改。

import json
import platform

# A manifest records what a run used
manifest = {
    "seed": 42,
    "config_fingerprint": "a1b2c3d4e5f6",
    "python": platform.python_version().split(".")[0] + ".x",
    "inputs": {"prices.csv": "9f86d081884c"},
}
print(json.dumps(manifest, indent=2, sort_keys=True))
# {
#   "config_fingerprint": "a1b2c3d4e5f6",
#   "inputs": {
#     "prices.csv": "9f86d081884c"
#   },
#   "python": "3.x",
#   "seed": 42
# }

• 使用私有的 random.Random(seed)，让结果只取决于你的种子。
• 为数据（文件校验和）和设置（排序后的 JSON 再做 SHA-256）生成指纹。
• 每次运行保存清单；固定环境 + Git 提交 + 一条重建命令。

下一节：类与对象，把数据和处理它的函数整合成一个整洁的单元。

实验：评分内容

• 用 seeded_returns 生成可重复的随机收益率25 分
• 用 file_checksum 为数据文件生成指纹25 分
• 用 config_fingerprint 为配置生成指纹25 分
• 用 run_manifest 记录一次运行所用的内容25 分