cjms-empirical-validation
Use when designing the real-data validation of a 《中国管理科学》 (Chinese Journal of Management Science) manuscript — forecasting and financial-engineering strands: data provenance, rolling out-of-sample tests, benchmark batteries, and significance of improvement. Validates methods on data; simulation-based studies belong to cjms-numerical-experiments.
Profile →npx skills add brycewang-stanford/Awesome-Journal-Skills --skill cjms-empirical-validation --agent claude-code
Same command for any agent — swap --agent for codex, cursor, copilot.
Weekly change comes from our own snapshots, not the repository page — it measures attention, not adoption.
# 实证与数据检验（cjms-empirical-validation） ## 触发时机 - 预测/金融类稿件只有全样本内拟合，没有样本外 - "新方法更优"只凭一张误差表，没有显著性检验 - 数据来源、频率、区间交代不清，无法复现 ## 核心：本刊实证的四道硬门 预测与决策、市场与投资分析两个栏目的稿件，外审按四道门检查： 1. **数据可溯源**：来源（Wind/CSMAR/交易所官网/公开能源数据）、频率、起止区间、缺失处理逐项写明；关键序列给描述统计与平稳性检验。 2. **样本外为王**：训练/验证/测试切分或滚动窗口预先声明；窗口长度、步长、再估计频率写清。样本内 R² 再高也不算证据。 3. **基准电池**：至少三层——朴素基准（随机游走/等权组合）、经典基准（ARIMA/GARCH/均值-方差）、最强近敌（最新文献同型方法）。赢不过朴素基准的改进无发表价值。 4. **改进要显著**：预测类给 DM 检验或 MCS；组合类报夏普比、最大回撤并做子区间稳健性；单点百分比改进不构成结论。 ## 稳健性设计（按威胁分类，不是堆表） | 结论威胁 | 对应检验 | |----------|----------| | 结果靠某段行情 | 子样本/牛熊分段、危机窗口单独报告 | | 结果靠调参 | 参数敏感性网格、默认参数对照 | | 结果靠某个数据源 | 换数据源/频率复跑 | | 结果靠事后信息 | 检查前视偏差：特征、标准化、模型选择全部只用当期可得信息 | ## 与代码库的衔接 面板/因果类支线（如政策冲击对市场的影响）可直接改用 `../../resources/code/` 的 Stata/Python 骨架（清洗→描述→DiD/IV/RDD→稳健性→出表）；时间序列预测线建议同样落成"一键复现"目录结构，随稿准备可提供的复现材料。 ## 自检清单 - [ ] 数据来源/频率/区间/缺失处理可复现，关键变量有描述统计 - [ ] 样本外方案预先声明，滚动细节（窗长、步长、再估计）完整 - [ ] 基准电池三层齐全，含最强近敌 - [ ] 改进的统计显著性（DM/MCS 或子区间一致性）已报告 - [ ] 稳健性按威胁组织，每项检验能说出防的是哪条质疑 - [ ] 无前视偏差：逐环节核查信息时点 ## 本刊实证节的外审期待 | 退稿信号（审稿常用语） | 根因 | 本刊期望的修法 | |------------------------|------|----------------| | "缺乏样本外检验" | 只报全样本拟合 | 滚动窗口方案入正文，细节可复现 | | "对比方法选择不当" | 基准电池缺最强近敌 | 补近三年同型方法，正面交锋 | | "改进幅度的显著性存疑" | 只报点值 | DM/MCS + 子区间一致性 | | "结
- 触发时机
- 核心：本刊实证的四道硬门
- 稳健性设计（按威胁分类，不是堆表）
- 与代码库的衔接
- 自检清单
- 本刊实证节的外审期待
- 微型走查：碳价预测的检验设计
- 反模式
- 输出格式
What does the cjms-empirical-validation skill do?
Use when designing the real-data validation of a 《中国管理科学》 (Chinese Journal of Management Science) manuscript — forecasting and financial-engineering strands: data provenance, rolling out-of-sample tests, benchmark batteries, and significance of improvement. Validates methods on data; simulation-based studies belong to cjms-numerical-experiments.
How do I install it?
Run `npx skills add brycewang-stanford/Awesome-Journal-Skills --skill cjms-empirical-validation --agent claude-code` — it drops the skill into your project so the agent can pick it up. Swap the --agent value for codex, cursor or copilot if you use one of those.
Where does this skill come from?
From brycewang-stanford/Awesome-Journal-Skills, a repository with 909 stars. We read it straight from the repository tree rather than a submitted listing, so what you see here is what is actually published.
Is a popular skill a good skill?
Not necessarily. Stars measure attention, not adoption — a repository can trend for a week and be abandoned. That is why we show the weekly change from our own snapshots next to the total, instead of a single flattering number.