quant-analyst
Desarrolla Estrategias de Trading y Modelos Financieros
Desarrolla y realiza backtests de estrategias de trading algorítmico con métricas de riesgo y optimización de carteras. Obtén insights accionables para finanzas cuantitativas sin necesidad de experiencia profunda en modelado financiero.
Descargar el ZIP de la skill
Subir en Claude
Ve a Configuración → Capacidades → Skills → Subir skill
Activa y empieza a usar
Pruébalo
Usando "quant-analyst". Backtest de una estrategia de momentum en acciones tecnológicas
Resultado esperado:
Estrategia: Momentum con ventana de 12 meses, período de retención de 1 mes
Resultados del Backtest (2019-2024):
- Retorno Total: 124.5% (vs S&P 500: 89.2%)
- Ratio de Sharpe: 1.42
- Drawdown Máximo: -18.3%
- Tasa de Aciertos: 58%
- Promedio de Operaciones: 2.1%
Métricas de Riesgo:
- VaR (95%): -4.2%
- Volatilidad: 15.8%
Nota: Los resultados pasados no garantizan resultados futuros.
Usando "quant-analyst". Optimiza mi cartera para el máximo ratio de Sharpe
Resultado esperado:
Asignación Óptima de Cartera:
- AAPL: 25%
- MSFT: 22%
- GOOGL: 18%
- AMZN: 15%
- NVDA: 12%
- JNJ: 8%
Métricas Esperadas:
- Retorno Esperado: 14.2%
- Volatilidad Esperada: 18.5%
- Ratio de Sharpe: 0.68
Frontera Eficiente: Disponible para revisión
Recomendación de Rebalanceo: Trimestral
Auditoría de seguridad
SeguroThis 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.
Puntuación de calidad
Lo que puedes crear
Desarrollo de Estrategias
Crea y realiza backtests de nuevas estrategias de trading con simulación realista de mercado
Evaluación de Riesgos
Evalúa la exposición al riesgo de la cartera y calcula métricas clave de riesgo
Optimización de Carteras
Optimiza la asignación de activos usando la teoría moderna de carteras
Prueba estos prompts
Ayúdame a hacer backtest de una estrategia de trading. Quiero probar una [estrategia de cruce de medias móviles] en la acción [AAPL] con datos de [2020-2024]. Incluye costos de transacción del [0.1%] y slippage del [0.05%]. Calcula el ratio de Sharpe, drawdown máximo y retorno total.
Calcula las siguientes métricas de riesgo para mi cartera [SPY 60%, AGG 40%]: Valor en Riesgo (VaR) al 95% de confianza, Expected Shortfall, ratio de Sharpe y drawdown máximo durante los últimos 3 años. Usa el método de simulación histórica.
Realiza optimización media-varianza de Markowitz para mi cartera con estos activos: [AAPL, MSFT, GOOGL, AMZN, JNJ, XOM]. Usa 5 años de datos históricos. Maximiza el ratio de Sharpe con un retorno objetivo de [8%]. Incluye la frontera eficiente en tu análisis.
Construye una estrategia de pairs trading de arbitraje estadístico entre [KO y PEP] usando los últimos 2 años de datos diarios. Incluye pruebas de cointegración, cálculo de ratio de cobertura, señales de entrada/salida con umbrales de z-score, y resultados del backtest con métricas de rendimiento.
Mejores prácticas
- Usa siempre pruebas out-of-sample para validar estrategias antes del despliegue en producción
- Incluye costos de transacción realistas, slippage e impacto de mercado en todos los backtests
- Enfócate en retornos ajustados por riesgo (ratio de Sharpe) en lugar de retornos absolutos
Evitar
- No sobreajustes (overfit) estrategias a datos históricos sin validación cruzada apropiada
- Evita usar información futura (sesgo look-ahead) en el backtesting
- Nunca omitas la separación entre entornos de código de investigación y producción