quant-analyst
Handelsstrategien und Finanzmodelle entwickeln
Entwickeln und testen Sie algorithmische Handelsstrategien mit Risikokennzahlen und Portfoliooptimierung. Erhalten Sie umsetzbare Erkenntnisse für quantitative Finanzen ohne tiefgreifende Expertise im Finanzmodelle erforderlich.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "quant-analyst". Rücktest einer Momentum-Strategie auf Technologieaktien
Erwartetes Ergebnis:
Strategie: Momentum mit 12-Monats-Rückblick, 1-Monats-Haltedauer
Rücktestergebnisse (2019-2024):
- Gesamtrendite: 124,5% (vs S&P 500: 89,2%)
- Sharpe-Verhältnis: 1,42
- Max. Drawdown: -18,3%
- Gewinnrate: 58%
- Durchschn. Handel: 2,1%
Risikokennzahlen:
- VaR (95%): -4,2%
- Volatilität: 15,8%
Hinweis: Die vergangene Leistung garantiert keine zukünftigen Ergebnisse.
Verwendung von "quant-analyst". Optimieren Sie mein Portfolio für maximales Sharpe-Verhältnis
Erwartetes Ergebnis:
Optimale Portfolio-Allokation:
- AAPL: 25%
- MSFT: 22%
- GOOGL: 18%
- AMZN: 15%
- NVDA: 12%
- JNJ: 8%
Erwartete Kennzahlen:
- Erwartete Rendite: 14,2%
- Erwartete Volatilität: 18,5%
- Sharpe-Verhältnis: 0,68
Effizienzgrenze: Zur Überprüfung verfügbar
Rebalancing-Empfehlung: Quartalsweise
Sicherheitsaudit
SicherThis is a prompt-only skill with no executable code. The static analyzer found 0 files scanned and 0 potential security issues. The skill provides guidance for quantitative finance tasks using pandas, numpy, and scipy without making any system-level operations. No dangerous patterns detected.
Qualitätsbewertung
Was du bauen kannst
Strategieentwicklung
Erstellen und testen Sie neue Handelsstrategien mit realistischer Marktsimulation
Risikobewertung
Bewerten Sie das Portfoliorisiko und berechnen Sie wichtige Risikokennzahlen
Portfoliooptimierung
Optimieren Sie die Asset-Allokation mit der modernen Portfoliotheorie
Probiere diese Prompts
Helfen Sie mir, eine Handelsstrategie zu backtesten. Ich möchte eine [Moving-Average-Crossover-Strategie] auf [AAPL]-Aktien mit Daten von [2020-2024] testen. Transaktionskosten von [0,1%] und Slippage von [0,05%] einbeziehen. Sharpe-Verhältnis, maximaler Drawdown und Gesamtrendite berechnen.
Berechnen Sie die folgenden Risikokennzahlen für mein Portfolio [SPY 60%, AGG 40%]: Value at Risk (VaR) mit 95% Konfidenz, Expected Shortfall, Sharpe-Verhältnis und maximaler Drawdown der letzten 3 Jahre. Verwenden Sie die historische Simulationsmethode.
Führen Sie eine Markowitz-Mean-Variance-Optimierung für mein Portfolio mit diesen Assets durch: [AAPL, MSFT, GOOGL, AMZN, JNJ, XOM]. Verwenden Sie 5 Jahre historischer Daten. Maximieren Sie das Sharpe-Verhältnis mit einer Zielrendite von [8%]. Schließen Sie die Effizienzgrenze in Ihre Analyse ein.
Erstellen Sie eine statistische Arbitrage-Paarhandelsstrategie zwischen [KO und PEP] unter Verwendung der letzten 2 Jahre täglicher Daten. Einschließen Kointegrationstests, Hedge-Ratio-Berechnung, Einstiegs-/Ausstiegssignale mit Z-Score-Schwellenwerten und Rücktestergebnisse mit Leistungskennzahlen.
Bewährte Verfahren
- Verwenden Sie immer Out-of-Sample-Tests, um Strategien vor dem Produktionseinsatz zu validieren
- Beziehen Sie realistische Transaktionskosten, Slippage und Markteinfluss in alle Rücktests ein
- Konzentrieren Sie sich auf risikoadjustierte Renditen (Sharpe-Verhältnis) statt auf absolute Renditen
Vermeiden
- Überanpassen Sie keine Strategien an historische Daten ohne ordnungsgemäße Kreuzvalidierung
- Vermeiden Sie die Verwendung zukünftiger Informationen (Look-Ahead-Bias) beim Backtesting
- Überspringen Sie niemals die Trennung zwischen Forschungs- und Produktionscode-Umgebungen