机器学习量化全景

请用 Python（numpy、pandas，需要时用 scikit-learn）带我做一个量化入门练习。先生成一份模拟的股票月度数据，随机种子用 42：

1. 300 只股票，192 个月（月份编号 0–191，相当于 16 年）。
2. 每只股票有一个固定的波动 sigma，从 0.05 到 0.13 均匀抽取；它的 beta = 0.5 + 5 × sigma。
3. 每个月有五个特征：mom（动量）、val（估值，越大越便宜）、size（规模）、lowvol（低波动）、prof（盈利）。
   - mom、val、size、prof：第 0 个月取标准正态；之后每个月，新值 = 0.9 × 上月值 + 0.44 × 标准正态。
   - lowvol = −sigma + 0.02 × 标准正态。
   - 每个月把五个特征各自在 300 只股票之间标准化（减平均、除以标准差）。
4. 每个月抽一个下个月的大盘收益 mkt_next ~ 正态(0.005, 0.05)；再给五个特征各抽一个当月系数 = 基础系数 + 0.01 × 标准正态，基础系数依次是 0.004、0.003、0、0.005、0.002。
5. 下个月收益 ret_next = beta × mkt_next + Σ(当月系数 × 特征) + sigma × 标准正态。
6. 整理成一张长表：每行是一只股票的一个月，列为 month、stock、sigma、五个特征、mkt_next、ret_next。打印前几行和总行数。

后面统一的口径：
- IC：每个月，某一列和 ret_next 在 300 只股票之间的 Spearman 秩相关。
- 年化收益：把每月收益连乘，再按 12 / 月数 开方后减 1。
- 等权基准：每个月 300 只股票 ret_next 的平均。
- 第 m 个月这一行的特征在第 m 个月月底已知，标签 ret_next 是第 m+1 个月的收益。训练模型时，在第 s 个月月底打分，训练只用月份 ≤ s−2 的行（中间隔开一个月）。

接下来按我的要求一步一步做。每一步先用一两句话说明在做什么，再给代码和结果。