mcm-c-modeler

npx skills add majiayu000/claude-skill-registry --skill mcm-c-modeler --agent claude-code

Same command for any agent — swap --agent for codex, cursor, copilot.

# MCM/ICM C题建模手（数据分析） ## 目标（你要产出什么） - **任务分解**：把题目拆成 2-4 个可交付模型/分析模块（每个模块有输入/输出/评价方式）。 - **数据审计结论**：数据是否完整、缺失/异常点、口径问题、是否需要外生数据。 - **建模方案**：baseline + 改进版（可解释），并给出不确定性与稳健性证据。 ## 工作流（按顺序执行） 1. **提取题目硬约束** - 在题面里定位并摘录（用于报告“Assumptions/Data”段落）： - 是否出现类似 **“THE DATA PROVIDED CONTAIN THE ONLY DATA YOU SHOULD USE”**。 - 是否出现类似 **“You may choose to include additional information/other data …”**。 - 结论只允许三种： - **禁止外生数据**（只能用附件数据集）。 - **允许但非必须**（外部信息可作背景/解释/少量特征）。 - **允许且可能需要**（题目明确要求你补充数据/指标来源）。 2. **数据盘点（Inventory）** - 列出所有附件文件：格式（csv/tsv/xlsx）、行数、列数、时间范围、关键字段含义（优先读 data_dictionary）。 - 画出最小数据关系图：主键/外键（如 match_id、country、date、GlobalID 等）。 3. **数据审计（Data Audit）** - 必做检查： - 缺失值比例（按列/按组），是否存在结构性缺失（某类样本系统性缺字段）。 - 重复记录、异常值（极端、非法范围、时间倒序、经纬度越界等）。 - 口径冲突（单位、币种、国家/地区命名变化、时间戳定义不同）。 - 输出一个“数据风险清单”： - **风险点** → **影响** → **处理策略**（删除/插补/截断/重定义）。 4. **定义可观测目标与指标（把题目变成可算的）** - 把“概念变量”落地：例如 momentum、difficulty、risk、priority score。 - 明确： - 目标变量 `y`（分类/回归/排序/时间序列）。 - 评估指标（AUC/F1/RMSE/MAE/LogLoss/收益率/命中率等）。 - 约束（不可用未来信息、交易日历、资源限制等）。 4.1 **C题套路化模板：子问类型 → 模型/证据（默认直接套）** - **解释型问题（哪些因素影响 y）** - 模型：线性/逻辑回归（含正则）或可解释树模型。 - 证据：系数/重要性 + 不确定性（区间）+ 反事实/PDP（择一）。 - **预测型问题（预测未来 y 并给区间）** - 模型：回归/时间序列（rolling 验证）。 - 证据：预测区