quant-analyst
Développez des stratégies de trading et des modèles financiers
Développez et backtestez des stratégies de trading algorithmique avec des métriques de risque et une optimisation de portefeuille. Obtenez des insights actionnables pour la finance quantitative sans nécessiter une expertise approfondie en modélisation financière.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "quant-analyst". Backtest a momentum strategy on tech stocks
Résultat attendu:
Strategy: Momentum with 12-month lookback, 1-month holding period
Backtest Results (2019-2024):
- Total Return: 124.5% (vs S&P 500: 89.2%)
- Sharpe Ratio: 1.42
- Max Drawdown: -18.3%
- Win Rate: 58%
- Avg Trade: 2.1%
Risk Metrics:
- VaR (95%): -4.2%
- Volatility: 15.8%
Note: Past performance does not guarantee future results.
Utilisation de "quant-analyst". Optimize my portfolio for maximum Sharpe ratio
Résultat attendu:
Optimal Portfolio Allocation:
- AAPL: 25%
- MSFT: 22%
- GOOGL: 18%
- AMZN: 15%
- NVDA: 12%
- JNJ: 8%
Expected Metrics:
- Expected Return: 14.2%
- Expected Volatility: 18.5%
- Sharpe Ratio: 0.68
Efficient Frontier: Available for review
Rebalancing Recommendation: Quarterly
Audit de sécurité
SûrThis 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.
Score de qualité
Ce que vous pouvez construire
Développement de stratégie
Créer et backtester de nouvelles stratégies de trading avec une simulation de marché réaliste
Évaluation des risques
Évaluer l'exposition au risque du portefeuille et calculer les métriques de risque clés
Optimisation de portefeuille
Optimiser l'allocation d'actifs en utilisant la théorie moderne du portefeuille
Essayez ces prompts
Help me backtest a trading strategy. I want to test a [moving average crossover strategy] on [AAPL] stock with data from [2020-2024]. Include transaction costs of [0.1%] and slippage of [0.05%]. Calculate Sharpe ratio, maximum drawdown, and total return.
Calculate the following risk metrics for my portfolio [SPY 60%, AGG 40%]: Value at Risk (VaR) at 95% confidence, Expected Shortfall, Sharpe ratio, and maximum drawdown over the last 3 years. Use historical simulation method.
Perform Markowitz mean-variance optimization for my portfolio with these assets: [AAPL, MSFT, GOOGL, AMZN, JNJ, XOM]. Use 5 years of historical data. Maximize Sharpe ratio with a target return of [8%]. Include the efficient frontier in your analysis.
Build a statistical arbitrage pairs trading strategy between [KO and PEP] using the last 2 years of daily data. Include cointegration testing, hedge ratio calculation, entry/exit signals with z-score thresholds, and backtest results with performance metrics.
Bonnes pratiques
- Toujours utiliser des tests hors échantillon pour valider les stratégies avant déploiement en production
- Inclure des coûts de transaction réalistes, du slippage et de l'impact de marché dans tous les backtests
- Se concentrer sur les rendements ajustés au risque (ratio de Sharpe) plutôt que sur les rendements absolus
Éviter
- Ne pas sur-adapter les stratégies aux données historiques sans validation croisée appropriée
- Éviter d'utiliser des informations futures (biais d'anticipation) dans le backtesting
- Ne jamais négliger la séparation entre les environnements de code de recherche et de production