Cjms empirical validation
Journal-specific Claude Code/Codex skill packs covering mainstream journals — AER, QJE, Nature, Cell, 管理世界, 经济研究 & 200+ more — your fast track to getting published. ｜ 覆盖主流期刊的 Claude Code/Codex 期刊技能包，从选题、识别策略到表格规范与审稿回复全流程，助你快速发论文。
npx -y skills add brycewang-stanford/Awesome-Journal-Skills --skill cjms-empirical-validationAssembled from the repository path, not quoted from the project. Check it against their README if it does not work.
What its author says it does
Copied from the file, not written here
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.
SKILL.md
5.1 KB, as published. Nobody here has run it
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：
- 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。
- 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。
- 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。
- 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 |
| "结果可能依赖样本区间" | 区间恰避开极端行情 | 危机窗口单独报告，边界诚实 |
| "存在前视偏差之嫌" | 分解/标准化用了全样本信息 | 逐环节声明信息时点；分解类方法尤其要滚动重估 |
最后一条是预测栏目的高频雷区：EMD/VMD 类"分解-预测-集成"研究若对全样本一次性分解再切分训练测试，属于典型前视偏差，近年外审盯得很紧。
微型走查：碳价预测的检验设计
虚构稿件《基于模态自适应组合的全国碳市场价格预测》（示意设计）：
数据：全国碳排放权交易市场日收盘价，2021-07 至 2025-12，来源与
缺失处理（节假日对齐）写明
样本外：滚动窗口 500 日，步长 1 日，每步重新分解与训练（防前视）
基准电池：朴素=随机游走；经典=ARIMA、GARCH；机器学习=LSTM、XGBoost；
最强近敌=近三年文献的 VMD-LSTM 组合
指标：RMSE / MAE / MAPE + DM 检验（vs 逐个基准）+ MCS 90% 存活集
稳健性：履约季 vs 非履约季分段；窗长 250/750 敏感性；
剔除政策公告日复跑
要点：履约季分段是碳市场特有的结构性检验——用情境知识设计稳健性，比堆通用检验更能说服本刊审稿人。
反模式
- 用样本内拟合优度讲故事，样本外一笔带过
- 基准只选弱者：跟十年前的方法比，回避最新同型文献
- 百分比误差改进 0.3% 就宣称"显著优于"，无任何检验
- 数据区间恰好停在方法失效的行情之前
- 把机器学习黑箱直接端上来，不报告特征与调参协议
输出格式
【数据】来源<…> 频率<…> 区间<…> 缺失处理<…>
【样本外方案】<切分或滚动细节>
【基准电池】朴素<…> 经典<…> 最强近敌<…>
【显著性】DM/MCS/子区间：<结果>
【稳健性矩阵】威胁→检验 × n
【下一步】cjms-numerical-experiments（如有仿真）或 cjms-managerial-insights