AI 因子挖掘 - BigAlpha 2026

赛事介绍

BigAlpha 是 BigQuant（宽邦科技）面向全球高校青年人才打造的年度 AI 量化投研赛事，依托 BigQuant AI 投研平台，通过真实数据、开放赛题与专业评审，发现新一代金融科技人才。

BigAlpha 2026 全球同步开放三大赛事，参赛者可自由选择：

关于 BigQuant：国内领先的 AI 量化投资平台，使命是 "Democratize AI to empower investors"。平台将机器学习、深度学习等 AI 技术与量化投资深度融合，为个人 Quant、研究机构、券商及资管机构提供从数据、研究、回测到实盘的一站式解决方案，已被多家头部金融机构采用。核心能力包括 PB 级金融与另类数据、2000+ 基础因子库与表达式引擎、高性能 DAI 数据引擎，以及策略源码库与实盘对接。本赛道直接使用与机构客户一致的工具链。

为什么是因子挖掘：阿尔法因子是量化投资获取超额收益的核心——从嘈杂的市场数据中预测未来股价动向。本赛道开放稀缺、高颗粒度的 A 股分钟级行情数据，邀请全球高校人才构建创新因子。因子分两阶段评估：先在历史数据回测得到 公榜 得分，再在动态更新的样本外数据上得到 私榜 得分，以检验真实环境下的稳健性。参赛者将获得大规模金融时序数据的实战经验、对市场微观结构的理解，以及作品被机构与赞助方看见的机会。

赛道设置

竞赛设置双赛道并行，参赛者按所属赛道构建并提交因子。

• 传统量化赛道

  • 核心：强调投资逻辑、统计显著性与经济解释性。
  • 方法：多因子模型、基本面分析、经典技术指标组合、物理模型模拟等。
  • 评审导向：经济学逻辑合理性、统计检验显著性、跨市场环境稳健性、因子可解释性。

• AI 智能赛道

  • 核心：利用大语言模型（LLM）、强化学习、遗传算法等技术自动生成或优化因子。
  • 方法：自动化特征工程、Prompt Engineering 生成因子公式、神经网络挖掘非线性因子等。
  • 评审导向：除因子有效性外，额外评估 AI 技术的应用深度、创新性与 AI 参与度（详见决赛评估）。

数据

• 股票池：中证 1000 指数在历史相应时间点上的成分股。
• 时间范围：2019-01-01 至 2024-12-31。
• 数据内容：
  • K 线及盘口快照：1 分钟 K 线及盘口数据。
  • 财务数据：已做 PIT（Point-in-Time）处理。

参赛与提交

模版代码

本赛道采用"因子挖掘"方式：平台提供高频等特色数据，参赛者构建日频因子并提交。主办方提供以下模版供参考：

注意：可以提交多个不同类型的文件，但要保证调用评估模块的代码放在 notebook 中，且提交文件中只能有一个 notebook，后台会提取其中的代码运行。

提交格式

只需将因子构建代码写在 main 函数中并提交，平台自动运行生成因子数据、计算得分并实时公布。提交的必须是可自动运行的代码，而非因子数据文件本身。main 函数返回数据须为且仅为三列：

• 平台不限制因子方向，默认因子值越大越好，参赛者需自行确保方向逻辑正确。
• 传统赛道代码需标注核心统计方法、经济逻辑对应的实现环节；AI 赛道代码需标注 AI 技术应用的关键环节（LLM 调用、模型训练、自动化特征工程等），并额外提交 AI 技术应用说明文档。
• 文本类信息（如使用 AI 时的提示词）请以 markdown 形式进行提交。

数据校验

提交的因子须通过以下全部校验，否则视为无效：

• 数据列：必须且仅包含 date、instrument、factor 三列。
• 交易日完整性：不得缺失评估区间内任一交易日。
• 因子覆盖度：每个交易日因子值缺失率不得高于 40%。

平台预处理

校验通过后，平台对原始因子统一处理：

• 去极值 与 标准化。
• 风格剔除：将因子对 BARRA 风险因子回归，取残差作为新因子，以评估其增量贡献。

运行环境要求

为保证公平，所有因子生成代码须在指定线上平台 Notebook 环境运行并提交：

• 运行时长：Notebook ≤ 3 小时。
• 禁止外部网络：为防信息泄露与使用未来数据，Notebook 互联网访问被禁用。

评分机制

提交规则与因子池

每支团队最多提交 50 个因子，每次提交对应一个因子。团队全部有效提交即构成因子池，无需额外勾选。

上限设计意图：鼓励精选因子而非批量堆砌，同时为平台评估保留合理算力。

评分以单次提交（单个因子）为最小评分单元：每个提交独立计算综合得分，团队榜单分数取团队所有提交的最大值。

其中 $A_i$、$B_i$ 均为因子 $i$ 自身的得分。

A 项：单因子得分

对每个因子独立计算：

• $\text{Rank}_{IC_{mean}}$：IC 均值排名。
• $\text{Rank}_{IC_{IR}}$：IC_IR 排名。
• $\text{Rank}_{SR}$：多空组合夏普比率排名。
• $\text{Rank}_{\text{Stress}}$：特殊行情下的 IC_IR 得分。

四项均为在全体提交因子上做截面百分位排名（pct rank）后的结果，取值落在 $[0, 1]$。

B 项：Elastic Net 回归得分

将所有团队的提交因子汇总为全局候选集，以截面 z-score 标准化后的下期收益率为目标，做 Elastic Net 回归：

采用滚动窗口训练（窗口 60 个交易日，步长 20 个交易日），对每个因子取跨窗口的权重稳定性得分：

该指标同时衡量因子在组合中的平均贡献与跨期稳定性，类比单因子评估中的 IC_IR。L1 项将无增量贡献的因子权重压至 0，L2 项使相关因子组内权重平滑分配。

因子 B 项得分取其 ModelScore 在全体被回归因子上的百分位结果，落在 $[0, 1]$：

若因子未被 Elastic Net 选中（权重恒为 0），则 $B_i = 0$。

是否被选中完全由 L1 项决定，无需人工参数。无增量贡献的因子自然被压至 0 分，堆砌低质因子毫无收益，天然防止以量取胜。

团队最终得分

本地调试支持

平台提供本地回归工具，便于提交前自行评估因子质量：

• 输入自己的因子库，在本地运行与官方一致的 Elastic Net 流程。
• 输出每个因子的 ModelScore 估算值、滚动权重曲线、与其他因子的相关性热力图。
• 使用公开历史因子集（主办方基础因子库）作为对照，模拟全局竞争环境。

本地结果仅供参考，最终得分以官方全局回归为准（全局因子集随赛程变化）。

评估周期与排名

竞赛分公榜和私榜两阶段，使用不同数据区间，最终排名以私榜为准。

数据划分

公榜验证集与私榜区间不重叠，防止通过反复提交间接拟合私榜。

评估间隔（公榜阶段）

每次新提交即加入待评估队列。由于 Elastic Net 计算量随全局因子数增长，平台采用自适应间隔：

• $t_{\text{last\_run}}$：上一轮实际评估耗时；$k = 1.5$ 为安全系数；$t_{\text{min}} = 1$ 小时为最小间隔。

比赛初期因子少、间隔短；后期因子池扩大、间隔自动拉长，无需人工干预。每轮评估后同步更新公榜排名。

私榜阶段：公榜截止后因子冻结，不得新增或修改。平台在私榜区间每个交易日盘后增量构建因子、计算得分，最终结果即为最终排名。

每轮公示内容

每日固定时点，根据最新评估结果公布以下信息，帮助参赛者明确优化方向。

（1）前 10 因子画像（ModelScore 排名前 10）

公布的是聚合特征，不涉及具体构造逻辑，不影响知识产权保护。

（2）团队细节得分

• 当前权重前 20 的因子中，本团队占据几个（不披露其他团队因子内容）。
• 本团队各因子的 ModelScore 百分位排名及变化趋势。
• 本团队 A 项、B 项得分及全场排名分位。

（3）指数增强策略跟踪

平台基于每轮回归权重构建中证 1000 指数增强策略：以合成因子值为信号，在成分股内超配高分股、低配低分股，跟踪误差约束 5% 以内。每轮更新持仓并展示：

指增策略的持续改善是比赛质量的直观体现——优质新因子应推动 IR 上升；若未能提升也会如实呈现，形成正向反馈。

赛程安排

阶段一：宣传报名

• 时间：2026-05-15 起宣传报名，报名截止 2026-07-25。
• 报名组队：通过活动主页报名，可单人或组队（单队最多 5 人），报名后可加入官方社群寻找队友。
• 赛前培训：6 月 24 日 分赛道介绍平台功能、API、数据结构及因子分析框架。
• 系统内测：2026-06-22 至 06-28，可提交代码测试系统稳定性，成绩不计入初赛，内测后重置榜单。

阶段二：初赛

• 正式开赛：7 月 1 日。
• 公榜阶段：7 月 1 日 – 8 月 5 日，以 2026-08-05 23:59:59 为提交截止。平台用验证集实时打分、更新排名，以队伍最好成绩展示在公榜；每个参赛队成员可选择并替换总计不超过 2 个因子作为截止后的候选因子。
• 私榜阶段：8 月 5 日 – 8 月 12 日，截止后不得修改候选因子代码；平台在私榜区间每个交易日盘后增量构建因子并每日计算得分，以队伍最好成绩展示在私榜。
• 账号发放：向成功报名队伍发放比赛专用账号并开放数据访问。

阶段三：决赛

• 晋级榜单公布：8 月 16 日。
• 线下总决赛（9 月初）：

• 晋级规则：每场设 12 个名额，综合三大赛事初赛表现评定——各赛事前 2 名直通（3 赛事 × 2 = 6 个），其余 6 个由组委会综合判定。

决赛

参赛材料

入围队伍须按时提交因子研究报告（PDF，10–15 页），结构需包含：

答辩与颁奖

决赛答辩采用 "15 分钟展示 + 5 分钟评委问答"，线下举行并同步线上直播。答辩后公布最终名次并举行颁奖典礼。

评估标准

评审委员会综合评估：

• 因子质量与逻辑性：投资逻辑与经济解释性；跨周期、跨行业的有效性与稳健性、统计显著性。
• 研究深度与规范性：报告结构严谨度、分析深度；代码规范性、可读性、可复现性。
• 现场表现：陈述表达的清晰度与条理；问答的精准度与逻辑性。
• AI 创新性（AI 赛道）：AI 技术选型与场景适配性、应用环节原创性、AI 参与度的落地效果。

赛事奖励

本赛道与其他两条赛道共享以下奖项体系。

洲际奖项（线下决赛）

亚洲场与美国场各设：

初赛奖项

• 赛道周冠军：每场每周按排名评选，奖励 ¥1,500。
• BigAlpha 量化新星：至少提交一次有效合规作品的团队均获电子证书。

特色奖项

随赛事推进评选特色作品与团队进行专项颁奖，奖项届时公布，奖金合计 ¥12,500。

Overview

本比赛只可使用指定的数据源来构建因子。评判程序会 import 参赛用户提交代码里的 main 函数，并传入数据源名、开始日期时间、结束日期时间来调用。

数据源

本次 BigAlpha 的比赛均放在 BigQuant 数据平台：https://bigquant.com/data/categories/-BigAlpha。股票池：中证1000指数在历史相应时间点上的成分股

• 构建因子的基础数据

  • 1分钟级别K线及盘口快照数据，数据表链接：bigalpha_2026_stock_bar1m
  • 财务数据，数据表链接：bigalpha_2026_financial

• 其他数据

  • 股票列表，数据表链接：bigalpha_2026_instruments
  • 因子库，数据表链接：bigalpha_2026_factorlib
  • 风险暴露，数据表链接：bigalpha_2026_exposure

数据格式

以分钟行情为例，参考：bigalpha_2026_stock_bar1m

以下是根据您提供的内容转换成的 Markdown 格式表格：

读取示例

import dai
dai.query("SELECT * FROM bigalpha_2026_stock_bar1m", filters={"date": ["2019-01-01 00:00:00", "2019-01-05 23:59:59"]}).df().head()

因子计算示例

DAI 数据引擎

DAI 内置多种算子/函数，参考 DAI函数文档。DAI是专为AI/量化场景优化的超高性能计算引擎，能充分利用现代CPU/GPU能力。

import dai
dai.query("""    SELECT        date::DATE::DATETIME AS date,        instrument,        AVG(close) / LAST(close) AS factor    FROM bigalpha_2026_stock_bar1m    GROUP BY date::DATE, instrument    ORDER BY date, instrument""", filters={"date": ["2023-01-01 00:00:00", "2023-02-01 23:59:59"]}, compression=True).df().head()

UDF

DAI 数据引擎支持UDF（User-Defined Function，用户定义函数），指允许用户通过编写自定义函数来扩展算子。

import dai
# 定义计算因子的UDF - 带类型声明（推荐）def calculate_factor(instrument: str, prices: list) -> float:    """计算因子：平均价格/最后价格"""    if not prices:        return None        avg_price = sum(prices) / len(prices)    last_price = prices[-1]

第三计算库

DAI 数据引擎也支持将数据转换为 pd.DataFrame、pl.DataFrame、arrow 等格式的数据类型。

import dai
data = dai.query("SELECT date, instrument, close FROM bigalpha_2026_stock_bar1m", filters={"date": ["2023-01-01 00:00:00", "2023-02-01 23:59:59"]}, compression=True)
# 转为 pandas dataframe，然后在 pandas 继续计算df = data.df()
# 转为 polars dataframe，然后在 polars 继续计算，polars没有内置在 aistudio 中，可以自行安装 pip3 install polarsdf = data.pl()
# 转为 apache arrow，然后在 arrow 继续计算df = data.arrow()
# 更多参考 DAI 文档

更多参考 DAI 文档：DAI文档

混合计算

dai 与 pandas 等混合计算，可以在 dai 中高性能的使用 pandas、polars、arrow等数据（通过参数 bind_relations 绑定），并支持JOIN等操作。

import dai
data = dai.query("SELECT date, instrument, close FROM bigalpha_2026_stock_bar1m", filters={"date": ["2023-01-01 00:00:00", "2023-02-01 23:59:59"]})
df = data.df()
dai.query("""    SELECT        date::DATE::DATETIME AS date,        instrument AS instrument,        AVG(close) AS avg_close    FROM df    GROUP BY date::DATE::DATETIME, instrument""", bind_relations={"df": df}).df()

Tips

• 关于日期和时间
  • date::DATE 只取得 date 的日期部分，e.g. 2025-01-03 14:24:31::DATE 为 2025-01-03。注意：date 的类型是 TIMESTAMP，date::DATE 类型是 DATE，可能在部分比较时出现数据类型不一致问题
  • date::DATE::DATETIME 可以这样再将数据类型转为 DATETIME
  • 更多日期/时间函数参考 DAI函数文档：date_trunc, time_bucket
• 时序算子，DAI提供的函数，一般情况下，m_ 前缀的是时序算子，并且默认基于 GROUP BY instrument 计算，e.g. SELECT date, instrument, close / m_lag(close, 1) AS close_1 FROM bigalpha_2026_stock_bar1m
• 截面算子，DAI提供的函数，一般情况下，c_ 前缀的是时序算子，并且默认基于 GROUP BY instrument 计算，e.g. SELECT date, instrument, close / m_lag(close, 1) AS close_1, c_rank(close_1) FROM bigalpha_2026_stock_bar1m

计算资源

• 使用 compression=True 参数可降低内存占用：dai.query("SELECT * FROM bigalpha_2026_stock_bar1m", filters={"date": ["2023-01-01 00:00:00", "2023-02-01 23:59:59"]}, compression=True).df()。数据量很大，可以开启该参数（设为 True）后，系统会自动将 instrument 列的字符串类型转换为 category 类型，显著降低内存占用。在 dai sql 中查询和计算 pandas category 类型，可能会遇到不兼容问题，可以尝试用 instrument::string 转会为字符串。
• 资源规格：在 aistudio 状态栏里可以点击计算资源规格并切换，推荐 4C/16G 或者更高的资源规格。参赛后平台会赠送宽币用于升级计算资源，用户也可以通过参加比赛培训、邀请用户等获得更多宽币。

DAI 文档

DAI（DATA FOR AI）是BigQuant研发的高性能分布式数据平台

• 使用简单：通过统一接口访问BigQuant各类数据。
• 数据丰富：提供PB级金融数据、另类投资数据和因子数据 (数据字典)，并支持用户自定义数据。
• 技术先进：采用现代化的分布式架构，支持大规模数据的低延迟读写和高性能计算。
• 使用文档访问链接：https://bigquant.com/wiki/doc/PLSbc1SbZX

本文为 BigAlpha 2026 全球高校联赛 · AI 因子挖掘赛道的合规与免责文件，与介绍文档形成配套。

基本规则

知识产权

• 参赛作品（代码、因子构造、报告等）的知识产权归参赛队伍所有。
• 主办方对所有作品拥有非商业性的评审、展示、宣传权利，包括但不限于：在官方渠道公示因子排名与聚合特征、在赛事复盘中匿名引用因子方法、在学术 / 行业交流中以脱敏形式展示。
• 对于获奖的优秀因子，主办方在同等条件下拥有优先的商业合作洽谈权；商业合作的具体形式、对价、署名将另行签署书面协议，本规则不构成商业授权本身。
• 对于参赛者使用的第三方资源（开源库、预训练模型、外部 API 等），其许可与权属由参赛者自行负责，详见第 5.2 条。

诚信竞赛

参赛者须遵守以下基本原则；具体可识别的违规行为见第二章"反作弊与违规清单"。

• 严禁抄袭他人代码 / 因子（包括往届赛事、公开仓库、其他队伍）。
• 严禁跨队共享核心代码、因子、模型权重；禁止串通刷分（如多队伍互相提交相同因子推高自身相对排名）。
• 严禁以任何方式绕过、欺骗、攻击评估系统（详见第二章）。
• 鼓励参考公开文献、开源工具、官方模板代码——以"复现 + 改进"为基础的工作受到欢迎，但须在决赛报告中明确标注引用来源与改进点。

赛道合规

• 传统赛道：严禁使用 AI 赛道限定的自动化因子生成技术，包括但不限于：
  • 使用大语言模型（LLM）批量生成因子表达式；
  • 使用强化学习 / 遗传算法 / 神经网络对因子进行自动搜索或自动组合；
  • 使用 AutoML 工具对因子进行自动化特征工程。
  • 可使用：传统统计方法、经济学逻辑驱动的人工因子构造、经典机器学习用作辅助分析（如用 XGBoost 做事后归因，但不得作为因子生成主体）。
• AI 赛道：核心因子构建逻辑须由 AI 主导，严禁伪 AI（即用人工因子套上 AI 外壳）。最终提交时须额外提供 AI 应用说明文档，明确标注：
  • 所使用的 AI 技术类型（LLM / RL / GA / NN 等）；
  • AI 在因子生成 / 优化链路中的具体环节与代码位置；
  • 关键 prompt、训练配置、损失函数等可复现的核心信息；
  • AI 参与度的自评（详见决赛评估章节）。
• 赛道认定争议：若组委会对作品的赛道归属存疑，将要求队伍补充材料澄清；澄清后仍无法证明合规的，按违规处理。

反作弊与违规清单

在过往赛事中，部分参赛者会利用赛制设计的灰色地带提升排名。本章对可识别的违规行为进行明确列举，并说明检测机制与处理梯度，避免事后争议。

数据使用类违规

• 使用未来数据（look-ahead bias）：在 t 日因子计算中使用 t 日盘后或 t+1 日及以后的数据。包括但不限于：用 t 日收盘价构造 t 日 09:45 的因子值、用 t+5 日的财报数据回填 t 日因子。
• 越权访问数据：使用赛题股票池（中证 1000 在历史时点的成分股）以外的数据、或使用赛题时间范围（2019-01-01 ~ 2024-12-31）以外的数据来辅助构造公榜因子。
• 私自上传外部数据：通过 Notebook 上传非平台提供的数据集（包括但不限于另类数据、海外市场数据、第三方因子库）参与因子构造。
• 数据投毒：手工修改、伪造、注入因子数据文件，而非通过代码自动生成。

提交规避类违规

• 稀疏因子规避覆盖度校验：刻意构造覆盖率刚好高于 60%（即缺失率 40%）但实际仅在少数股票上有效的因子，规避校验。
• 多因子拼接绕过相关性约束：将一个完整因子人为拆分成多个高度相关的子因子分别提交，意图占据更多排名席位。
• 轮换提交刷新排名：对同一因子做无实质改动的微调反复提交，仅为触发评估或刷新公榜显示。
• 反向因子滥用：在因子方向不显著时，仅通过加负号来构造"新因子"。

身份与协作类违规

• 多账号参赛：同一自然人注册多个账号、加入多个队伍。
• 跨队伍代码 / 因子共享：不同队伍之间共享因子代码、模型权重、关键 prompt；包括以"师门内部分工"、"实验室共享"为名的分发。
• 代提交：他人代为编写并提交参赛作品，本人对作品无实质贡献。
• 串通刷分：多个队伍合谋调整提交策略，意图共同抬高某一方排名或压制竞争对手。

AI 赛道专项违规

• 伪 AI 应用：以 AI 之名包装人工构造的因子（例如：用 LLM 仅做最后的"翻译"或"美化"，因子实质仍为人工设计）。
• AI 输出造假：在 AI 应用说明文档中虚构 AI 调用记录、prompt、训练日志。
• AI 参与度虚报：在决赛阶段对"AI 参与度"的描述与实际代码不符。

检测机制

主办方将通过以下机制进行违规检测，参赛者提交即视为同意接受：

• 静态代码分析：扫描提交代码中的可疑模式（如时间索引偏移、外部网络请求、数据外联）。
• 因子相关性聚类：对全场入池因子做相关性矩阵分析，识别异常聚簇。
• 跨队伍指纹比对：比对不同队伍提交代码的结构相似度、变量命名、注释风格。
• 运行时审计：抽样队伍代码在隔离环境中复现，比对因子数据与队伍声称的逻辑是否一致。
• AI 赛道专项审计：对入围决赛的 AI 赛道队伍，要求复现核心 AI 调用链路。

规则版本与变更

• 规则版本说明：当前比赛规则为初拟版本，可能在内测阶段遇到不可抗的工程或评估问题（如数据接口变更、评估算法瓶颈、第三方服务异常等）。最终以"内测结束、正式比赛开始前"发布的规则版本为准，请参赛者持续关注官方公告与社群通知。
• 比赛期间的规则调整权：为保障公平性，主办方保留在比赛进行期间修订规则、调整评估口径、增补反作弊机制的权利。规则调整将兼顾已提交作品的处理方式（如重新评分、保留历史得分作为参考、给予合理的代码调整窗口等），尽量降低对正常参赛队伍的影响。
• 变更类型与提前量：

• 变更通知渠道：官网公告、官方社群（微信 / QQ 群）置顶、平台站内信，三个渠道至少两个同步发布，以站内信送达时间为正式生效时间。
• 历史版本留档：所有规则版本将在官网保留可追溯的历史记录，便于参赛者核对自己提交时所依据的规则；版本号采用"主版本.次版本"格式，重大变更升级主版本号。

数据与平台免责

• 数据使用范围：比赛数据仅供赛事评估与学习研究使用，严禁外传、商用、上传至公开仓库或用于本赛事以外的任何场景，包括赛事结束后。一经发现，主办方将依法追究责任。
• 数据保密期限：本赛事所提供的高频快照、PIT 财务数据等敏感数据的保密义务长期有效，不因比赛结束而解除。
• 数据准确性：主办方已对数据做必要的清洗与校验，但不对数据的绝对准确性、完整性作出保证；因数据问题导致的因子表现波动，一般情况下不作为评估申诉的依据，但严重数据错误（如批量缺失、字段错位、复权异常）经核实后会触发统一重算，并向所有受影响队伍同步说明。
• 平台稳定性：BigQuant 平台已做高可用部署，但仍可能因不可抗力（机房故障、网络中断、第三方依赖异常等）出现短时不可用。因平台故障导致的提交延误，主办方将根据故障时长合理顺延截止时间或取消该时段的评估结果，不对参赛者的算力消耗、时间投入作经济补偿。
• 算力配额：CPU Notebook ≤ 3 小时 / 次，AI 赛道 GPU Notebook ≤ 6 小时 / 次（详见介绍文档"代码要求"）。超出配额导致的运行失败由参赛者自行负责。
• 结果不构成投资建议：本赛事所有因子、模型、回测结果及衍生分析仅供学术研究与赛事评估使用，不构成任何形式的投资建议。任何人据此进行实盘投资所产生的盈亏，主办方、平台方及合作方均不承担责任。

参赛者责任

代码合规与安全

• 参赛者需对自己提交的代码负责，不得包含：
  • 恶意代码、后门、未授权访问平台资源的逻辑；
  • 试图规避平台沙箱、网络隔离、资源限制的代码；
  • 试图获取其他队伍提交内容、评估中间结果的代码。
• 一经发现，立即按 L4 处理（取消资格），并保留追究法律责任的权利。

5第三方依赖

• 若参赛者使用了开源库、预训练模型、外部 API 等第三方资源，需自行确认其许可协议允许竞赛及商业评审场景使用。
• 由第三方依赖引发的版权 / 许可争议，由参赛者自行承担；主办方有权要求队伍替换有争议的依赖。

个人信息与肖像

• 参赛者报名时提供的个人信息仅用于赛事相关用途，主办方将依法保护，但参赛者需保证所提供信息真实有效。
• 决赛入围队伍同意主办方在赛事宣传中使用其姓名、学校、队名、决赛影像；如需保留匿名权利，须在决赛入围确认时书面提出。

内测与冻结期约束

• 内测阶段（2026-06-08 至 2026-06-18）的提交不计入初赛得分。
• 初赛截止后的候选因子（每队不超过 2 个，详见介绍文档）一经选定不得修改；私榜阶段，参赛者不得新增或修改任何因子的构建代码。

申诉与最终解释

申诉流程

• 申诉范围：评估结果争议、违规处理异议、数据严重错误等。
• 申诉渠道：联系赛事运营人员，附必要的证据（截图、日志、代码片段等）。不接受通过非官方渠道（私下联系评委、社群刷屏等）的申诉。
• 响应时限：

• 重复申诉：同一事项的重复申诉、无新证据的申诉，组委会有权不再单独答复。

最终解释权

本赛事所有规则的最终解释权归 BigAlpha 2026 大赛组委会所有。规则中文版本与任何翻译版本存在歧义时，以中文版本为准。

承诺：报名即视为已阅读并同意本规则全部条款。如有疑问，请在报名前通过官方渠道咨询；报名后再以"未注意到某条规则"为由的申诉，组委会不予采纳。