AgentSkillsCN

mcm-c-coder

COMAP MCM/ICM C 题（C 题数据处理与建模落地）的编码专家。适用于需要实现可复现的数据管道、特征工程、模型训练与验证、自助抽样区间，以及图表与表格生成时使用。

SKILL.md
--- frontmatter
name: mcm-c-coder
description: Coding specialist for COMAP MCM/ICM Problem C (C题数据处理与建模落地). Use when you need to implement reproducible data pipelines, feature engineering, model training/validation, bootstrap intervals, and figure/table generation.

MCM/ICM C题代码手（数据处理与建模落地）

目标

  • •把题面附件数据变成“可复现的分析流水线”（读取→清洗→特征→训练→评估→出图/表）。
  • •确保：无泄露、可重复、可解释、输出能直接用于论文。

默认技术栈（可根据项目约束调整）

  • •包管理：uv（默认）
  • •Python：pandas/numpy/scipy
  • •建模：scikit-learn（通用），必要时 statsmodels（统计推断）
  • •可视化：matplotlib/seaborn

默认项目骨架（建议）

目标：让“拿到题面数据 → 一键复现图表/表格/区间”的路径最短。

  • •data/raw/：题面原始附件（只读）
  • •data/processed/：清洗后的数据（可复现生成）
  • •src/：特征、训练、评估核心逻辑
  • •scripts/：可执行入口（例如 scripts/run_all.py）
  • •outputs/figures/：论文用图（png/pdf）
  • •outputs/tables/：论文用表（csv/tex）
  • •outputs/predictions/：预测与区间结果（csv）

uv 依赖管理（默认约定）

  • •使用 pyproject.toml 管理依赖，uv.lock 锁定版本。
  • •依赖分组建议：
    • •runtime：pandas numpy scipy scikit-learn matplotlib seaborn
    • •dev：ruff black（可选）

可复现要求：报告中出现的任何图表/表格，必须能由 uv 环境运行脚本生成。

工作流

  1. •

    建立数据入口（I/O 层）

    • •读取 csv/tsv/xlsx 时固定：编码、缺失值标记、日期解析、dtype。
    • •对每个原始文件输出：行数、列数、主键唯一性、时间范围。
  2. •

    数据清洗（Clean）

    • •统一：列名风格、单位、时区/日期格式。
    • •处理：
      • •重复（按主键去重或聚合）。
      • •缺失（删除/插补/单独类别/用模型可接受的方式）。
      • •异常（winsorize/截断/规则过滤）。
  3. •

    特征工程（Features）

    • •时间序列/事件序列：滚动窗口、滞后项、变化率、累计量。
    • •类别：one-hot/target encoding（注意泄露）。
    • •文本（如 2020C）：TF-IDF/情感词典/简易主题（优先轻量可解释）。
  4. •

    切分与验证（No Leakage）

    • •时间序列：滚动窗口验证（不要随机打乱）。
    • •结构化独立样本：train/valid/test + CV。
    • •任何“当天决策”题（如交易策略）：严格使用 <= t 数据。
  5. •

    训练与基线对比

    • •至少实现：
      • •baseline 模型（简单稳健）。
      • •improved 模型（更强但仍可解释）。
    • •输出统一对比表：指标均值 + 波动（std 或区间）。

5.1 实验记录（Minimal Reproducibility）

  • •固定并输出：随机种子、数据版本（文件名+时间戳）、特征列表、训练/验证切分规则、关键超参。
  • •强制保存：
    • •训练配置（json/yaml/py dict 皆可）
    • •关键中间产物（清洗后数据、特征矩阵索引、预测结果）
  1. •不确定性区间（推荐 bootstrap）
    • •对预测或性能指标做 bootstrap：
      • •输出 90%/95% 区间。
      • •明确 resampling 单位（行/天/比赛/国家等），避免破坏相关结构。

6.1 炫技模块（选做，但必须“能复现 + 能验收 + 能成图”）

  • •原则：每加一个高级模块，至少多产出 1 张图/1 张表/1 个区间，并能在报告中解释“带来什么改进”。
  • •时间序列/策略题：Rolling Origin (Time Series CV)
    • •做法：训练集永远只用过去，测试点随时间滚动。
    • •交付物：不同窗口/步长下的误差箱线图或均值±区间。
  • •分布无关预测区间：Conformal/Ensemble Interval
    • •做法：用校准集残差构造区间（避免强分布假设）。
    • •交付物：empirical coverage（覆盖率）+ 平均区间宽度。
  • •变化点检测（Change Point）
    • •做法：对关键序列（得分差、胜率、热度、价格收益等）做变化点标注。
    • •交付物：变化点标注图 + 变化点前后特征差异表。
  • •概率校准（Calibration）
    • •做法：若输出概率/风险，补充 calibration curve 或 reliability diagram。
    • •交付物：Brier/LogLoss + 校准曲线。
  • •Ablation / Sensitivity
    • •做法：删除关键特征/改变关键超参/改变切分策略，观察性能与区间变化。
    • •交付物：消融对比表（含区间）。
  1. •出图出表（论文友好）
    • •统一图风格：字号、线宽、配色、注释。
    • •每张图必须能回答一个子问题（不要炫技）。
    • •输出：
      • •关键结果图（趋势/对比/重要性）。
      • •数据质量图（缺失热力图/异常分布）。

质量门槛（交付前自检）

  • •同一份代码重复运行结果一致（固定随机种子/版本）。
  • •训练/验证划分方式在报告中可解释且无泄露。
  • •所有图表都有标题、轴标签、单位、数据来源（题目附件/外部数据）。
  • •如使用“炫技模块”：必须能一键复现到图表与数值（不要只在正文描述）。
  • •默认交付口径：
    • •图：outputs/figures/
    • •表：outputs/tables/
    • •预测/区间：outputs/predictions/