---

2026 清华大学大数据挑战赛（THU-BDC） 的核心任务：在沪深300成分股中，每日选出至多5只股票，使其未来5日加权收益率最大化。

项目	说明
选股范围	沪深300成分股（300只）
输入数据	每只股票过去60个交易日的量价数据
输出格式	result.csv（stock_id, weight 两列，权重之和为1）
评分公式	final_score = (预测Top5收益 - 随机收益) / (真实Top5收益 - 随机收益)

final_score 越接近1越好。赛事方通过 Docker 镜像以批处理方式自动评分。

---

CNB 容器基于 Ubuntu 24.04 LTS，通过根目录 Dockerfile 构建并部署在 CNB 云开发平台上。包含 Python 3.12、数据科学工具链、code-server IDE 及 Docker 构建/提交能力。

工具	用途
Python 3.12	核心运行时，含 venv / dev / pip 模块
uv	Rust 编写的高性能包管理器，比 pip 快 10-100x
git	版本控制
build-essential	GCC/G++，编译 C 扩展所需
Docker CLI	构建与导出赛事提交镜像
TA-Lib C 库 0.6.4	技术指标计算的系统依赖（已预编译安装）

以下库已安装在独立虚拟环境 /opt/venv 中，已加入 PATH，开箱即用：

库	用途
numpy	数值计算
pandas	数据处理
scikit-learn	机器学习
matplotlib / seaborn	可视化
requests	HTTP 请求
jupyter / ipykernel	交互式 Notebook
tqdm	进度条

已预装以下扩展：

• ms-python.python — Python 语言支持、调试、IntelliSense
• tencent-cloud.coding-copilot — AI 辅助编程
• mhutchie.git-graph / waderyan.gitblame / donjayamanne.githistory — Git 可视化
• mathematic.vscode-pdf / cweijan.vscode-office — PDF 和 Office 文档预览
• redhat.vscode-yaml — YAML 支持
• bierner.markdown-mermaid / oderwat.indent-rainbow — Markdown 增强与缩进可视化

通过 settings.json 预设：

{
    "editor.formatOnSave": true,
    "editor.defaultFormatter": "ms-python.black-formatter",
    "python.defaultInterpreterPath": "/usr/bin/python3",
    "editor.fontSize": 14,
    "editor.fontFamily": "'JetBrains Mono', 'Fira Code', 'Cascadia Code', 'Consolas', monospace",
    "workbench.colorTheme": "Default Dark+"
}

---

各项目可在自己的目录下用 uv 管理独立依赖，互不干扰：

cd THU-BDC2026
uv sync                   # 按 pyproject.toml 安装，自动创建 .venv/
source .venv/bin/activate # 激活项目虚拟环境

/opt/venv 中的通用库（numpy、pandas 等）已全局可用，无需重复安装。

容器内已预装 Docker CLI（daemon 由 CNB 平台提供）：

docker build -t my-image .
docker compose up          # 本地验证
docker save -o out.tar my-image:latest  # 导出

---

1. 开发：在 code-server 中编写代码，本地调试
2. 验证：docker compose up 确认容器可正常运行并生成 result.csv
3. 导出：docker save -o 队伍名称.tar bdc2026:latest
4. 自测：将 .tar 放入 test/tars/，运行 python test/test.py 模拟赛事评分

---

赛事方提供了一个基于 StockTransformer 的排序学习选股示例（THU-BDC2026/ 目录），参赛者可在此基础上进行改进，也可完全替换为自己的方案。

• 思路：将选股建模为排序学习（Learning to Rank），对同一天所有候选股票打分排序
• 模型：StockTransformer — Transformer 时序编码 + 跨股票注意力（CrossStockAttention），输出每只股票的排序分数
• 特征：197维（158个Alpha因子 + 39个TA-Lib技术指标）
• 损失：WeightedRankingLoss（Pairwise + Listwise，Top5样本2倍权重）
• 输出：按分数取 Top5，等权重0.2，写入 output/result.csv

THU-BDC2026/
├── code/src/
│   ├── config.py      # 超参数配置
│   ├── model.py       # StockTransformer 模型定义
│   ├── train.py       # 训练入口
│   ├── predict.py     # 推理入口
│   └── utils.py       # 特征工程 + 数据集构建
├── data/              # 训练/测试数据
├── get_stock_data.py  # Baostock 数据下载
├── train.sh / test.sh # 启动脚本
├── DockerfileTHU      # Baseline Docker 镜像定义
├── pyproject.toml     # 项目依赖
├── GUIDE.md           # 图文操作指南
└── READMETHU.md       # Baseline 技术细节

cd THU-BDC2026
uv sync && source .venv/bin/activate
python get_stock_data.py              # 下载数据
python data/split_train_test.py       # 划分数据集
sh train.sh                           # 训练
sh test.sh                            # 预测 → output/result.csv
python test/score_self.py             # 自测得分

---

Q: 预装库和项目依赖冲突？
A: 预装库在 /opt/venv，项目依赖通过 uv sync 安装在各自的 .venv/ 中，互不影响。

Q: TA-Lib 报错？
A: 系统 C 库已预装，无需额外操作。若使用 Baseline，uv sync 会自动安装 Python 绑定。

Q: Docker build 失败？
A: 尝试关闭代理或切换网络。详见 GUIDE.md。

---

• GUIDE.md — Baseline 图文操作指南
• READMETHU.md — Baseline 技术实现细节
• 赛事方测试方法 — 赛事评分机制说明