backtesting-frameworks
Entwicklung robuster Backtesting-Systeme für Handelsstrategien
也可从以下获取: wshobson
Die Entwicklung von Handelsstrategien erfordert rigoroses Backtesting, um kostspielige Verzerrungen zu vermeiden. Diese Fähigkeit bietet Produktionscode-taugliche Muster für zuverlässige Strategievalidierung mit korrekter Behandlung von Look-Ahead-Bias, Survivorship-Bias und Transaktionskosten.
下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“backtesting-frameworks”。 Basic momentum strategy backtest with 20-day lookback
预期结果:
Strategie erzielte 12,3% jährliche Rendite bei 15,2% Volatilität. Sharpe-Ratio: 0,81. Maximaler Drawdown: -18,4%. Gewinnquote: 54,2%. Ergebnisse enthalten Eigenkapitalkurve, Drawdown-Diagramm und monatliche Rendite-Heatmap.
正在使用“backtesting-frameworks”。 Walk-forward optimization for mean reversion parameters
预期结果:
Optimales Lookback-Fenster: 14-21 Tage über 8 Testperioden. Out-of-Sample Sharpe-Ratio: 0,65 (In-Sample: 0,72). Parameterstabilität bestätigt Strategierobustheit. Kombinierte Eigenkapitalkurve zeigt konsistente Performance über Marktregime hinweg.
安全审计
安全All 33 static analysis findings are false positives. The skill contains documentation and Python code examples in markdown format only. No executable code, network calls, or security risks detected. Markdown code block delimiters were incorrectly flagged as shell execution. Type annotations and common financial terms triggered false pattern matches.
质量评分
你能构建什么
Quantitativer Forscher validiert neue Handelssignale
Ein Quant-Forscher entwickelt eine momentum-basierte Handelsstrategie und muss die Performance über mehrere Marktregime hinweg validieren, dabei Overfitting vermeiden und realistische Kostenannahmen sicherstellen.
Algorithmischer Händler erstellt systematische Strategien
Ein algorithmischer Händler, der systematische Strategien implementiert, benötigt robuste Backtesting-Infrastruktur mit korrekten Train/Validation/Test-Aufteilungen und Walk-Forward-Optimierung zur Sicherstellung der Strategierobustheit.
Datenwissenschaftler erforscht Finanzanwendungen
Ein Datenwissenschaftler, der maschinelles Lernen auf Finanzdaten anwendet, benötigt Anleitung zu korrekter Backtesting-Methodik, um häufige Fallstricke wie Look-Ahead-Bias und Survivorship-Bias zu vermeiden.
试试这些提示
Help me set up a basic backtesting framework for a simple moving average crossover strategy. I have daily OHLCV data in a pandas DataFrame. Include transaction costs and calculate key performance metrics.
I need to implement walk-forward analysis for my mean reversion strategy. Use a 252-day training window and 63-day test window with anchored training. Optimize the lookback parameter and show the equity curve from combined test periods.
Run a Monte Carlo simulation on my strategy returns to assess robustness. I want bootstrap analysis of maximum drawdown distribution and probability of loss over 21, 63, and 252 day holding periods with 1000 simulations.
Build an event-driven backtester with custom execution logic for limit orders. Include realistic fill modeling based on order book dynamics, position tracking, and real-time PnL calculation. Support multiple assets with portfolio-level risk management.
最佳实践
- Verwenden Sie immer Point-in-Time-Daten, um Look-Ahead-Bias zu vermeiden - stellen Sie sicher, dass Signale nur mit Informationen generiert werden, die zum Entscheidungszeitpunkt verfügbar waren
- Reservieren Sie Out-of-Sample-Daten für die finale Evaluation - optimieren Sie Parameter niemals auf Ihrem Testset
- Beziehen Sie realistische Transaktionskosten ein - modellieren Sie sowohl explizite Kosten (Provision) als auch implizite Kosten (Slippage, Marktimpact)
避免
- Verwendung von angepassten Schlusskursen ohne Verständnis der Anpassungen - kann Look-Ahead-Bias aus zukünftigen Dividenden- oder Split-Informationen einführen
- Optimierung zu vieler Parameter im Verhältnis zu verfügbaren Daten - führt zu Overfitting und schlechter Out-of-Sample-Performance
- Ignorieren von Survivorship-Bias durch Tests nur auf aktuellen Bestandteilen - muss delistierte Wertpapiere für genaue Ergebnisse einbeziehen