backtesting-frameworks
Créer des systèmes de backtesting robustes pour les stratégies de trading
Également disponible depuis: wshobson
Le développement de stratégies de trading nécessite un backtesting rigoureux pour éviter des biais coûteux. Cette compétence fournit des patterns de qualité production pour une validation fiable des stratégies avec une gestion appropriée du biais de prospectivité, du biais de survie et des coûts de transaction.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "backtesting-frameworks". Backtest de stratégie de momentum de base avec lookback de 20 jours
Résultat attendu:
Stratégie a atteint un rendement annuel de 12,3 % avec une volatilité de 15,2 %. Ratio de Sharpe : 0,81. Drawdown maximum : -18,4 %. Taux de réussite : 54,2 %. Les résultats incluent la courbe de performance, le graphique de drawdown et la heatmap des rendements mensuels.
Utilisation de "backtesting-frameworks". Optimisation walk-forward pour les paramètres de retour à la moyenne
Résultat attendu:
Fenêtre de lookback optimale : 14-21 jours sur 8 périodes de test. Ratio de Sharpe hors échantillon : 0,65 (in-sample : 0,72). La stabilité des paramètres confirme la robustesse de la stratégie. La courbe de performance combinée montre une performance cohérente à travers les régimes de marché.
Audit de sécurité
SûrAll 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.
Score de qualité
Ce que vous pouvez construire
Chercheur quantitatif validant de nouveaux signaux de trading
Un chercheur quant développant une stratégie de trading basée sur le momentum doit valider la performance sur plusieurs régimes de marché tout en évitant le surajustement et en garantissant des hypothèses de coûts réalistes.
Trader algorithmique développant des stratégies systématiques
Un trader algorithmique implémentant des stratégies systématiques nécessite une infrastructure de backtesting robuste avec des séparations appropriées entraînement/validation/test et une optimisation walk-forward pour garantir la robustesse de la stratégie.
Data scientist explorant les applications financières
Un data scientist appliquant le machine learning aux données financières a besoin de conseils sur la méthodologie de backtesting appropriée pour éviter les pièges courants comme le biais de prospectivité et le biais de survie.
Essayez ces prompts
Aidez-moi à configurer un framework de backtesting de base pour une stratégie de croisement de moyennes mobiles simples. J'ai des données OHLCV quotidiennes dans un DataFrame pandas. Incluez les coûts de transaction et calculez les métriques de performance clés.
Je dois implémenter une analyse walk-forward pour ma stratégie de retour à la moyenne. Utilisez une fenêtre d'entraînement de 252 jours et une fenêtre de test de 63 jours avec un entraînement ancré. Optimisez le paramètre de lookback et montrez la courbe de performance des périodes de test combinées.
Exécutez une simulation de Monte Carlo sur les rendements de ma stratégie pour évaluer la robustesse. Je veux une analyse bootstrap de la distribution du drawdown maximum et la probabilité de perte sur des périodes de détention de 21, 63 et 252 jours avec 1000 simulations.
Construisez un backtesteur événementiel avec une logique d'exécution personnalisée pour les ordres limites. Incluez une modélisation réaliste des exécutions basée sur la dynamique du carnet d'ordres, le suivi des positions et le calcul PnL en temps réel. Prenez en charge plusieurs actifs avec une gestion des risques au niveau du portefeuille.
Bonnes pratiques
- Utilisez toujours des données point-in-time pour éviter le biais de prospectivité - assurez-vous que les signaux sont générés en utilisant uniquement les informations disponibles au moment de la décision
- Réservez des données hors échantillon pour l'évaluation finale - n'optimisez jamais les paramètres sur votre ensemble de test
- Incluez des coûts de transaction réalistes - modélisez à la fois les coûts explicites (commissions) et implicites (slippage, impact de marché)
Éviter
- Utiliser des prix de clôture ajustés sans comprendre les ajustements - peut introduire un biais de prospectivité à partir d'informations futures sur les dividendes ou les splits
- Optimiser trop de paramètres par rapport aux données disponibles - conduit au surajustement et à une mauvaise performance hors échantillon
- Ignorer le biais de survie en testant uniquement sur les constituants actuels - doit inclure les titres retirés pour des résultats précis