backtesting-frameworks
Construire des backtests de trading fiables
Les backtests de trading dissimulent souvent des biais et surestiment la performance. Cette compétence fournit des modèles et des vérifications pour concevoir des backtests fiables qui gèrent correctement le biais d'anticipation, le biais de survie et les 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". Comment éviter le biais de survie dans les backtests d'actions ?
Résultat attendu:
- Utiliser des listes de constituants point-in-time qui incluent les titres retirés de la cote
- Obtenir des fournisseurs de données historiques qui maintiennent les données des symboles retirés de la cote
- Documenter la source de données et son approche de gestion du biais de survie
- Tester votre univers contre les compositions historiques d'indices connus
Utilisation de "backtesting-frameworks". Quelles sont les mesures clés pour évaluer un backtest ?
Résultat attendu:
- Ratio de Sharpe pour les rendements ajustés au risque
- Drawdown maximum pour la perte dans le pire des cas
- Ratio de Calmar combinant rendement et drawdown
- Taux de gain et facteur de profit pour la qualité du trading
Audit de sécurité
SûrThis is a pure documentation skill containing only instructional content and Python code examples for building trading backtests. All 46 static findings are false positives. The scanner incorrectly flagged: ASCII diagram delimiters (backticks in markdown), dictionary keys (certificate/key files), financial terms like 'sharpe' (weak crypto), and legitimate function calls (dynamic constructor). No executable code, network calls, file access, credential harvesting, or data exfiltration patterns exist.
Facteurs de risque
🌐 Accès réseau (4)
⚡ Contient des scripts (1)
Score de qualité
Ce que vous pouvez construire
Valider une nouvelle stratégie
Appliquer les vérifications de biais et les divisions walk-forward avant de faire confiance aux estimations de performance.
Comparer les alternatives
Utiliser des modèles de coûts cohérents et des standards de mesure à travers plusieurs candidats stratégiques.
Concevoir un moteur de backtest
Suivre les modèles d'architecture pilotée par les événements et les conseils de modélisation d'exécution.
Essayez ces prompts
Décrire un flux de travail de backtesting de base qui évite le biais d'anticipation et inclut des coûts de transaction réalistes.
Comparer les approches de backtesting piloté par les événements et vectorisé pour une stratégie actions quotidienne avec 50 symboles.
Proposer des fenêtres train et test walk-forward pour 10 ans de données quotidiennes et expliquer le raisonnement.
Lister les analyses Monte Carlo et les mesures pour évaluer le risque de drawdown pour une série de rendements de stratégie.
Bonnes pratiques
- Réserver un ensemble de test final qui n'est jamais utilisé pour l'optimisation
- Modéliser les commissions et le slippage avec des paramètres réalistes basés sur votre cible d'exécution
- Signaler les drawdowns et les mesures ajustées au risque, pas seulement les rendements bruts
Éviter
- Optimiser les paramètres sur l'historique complet sans test hors échantillon
- Ignorer les titres retirés de la cote lors de la construction d'univers d'actions
- Assumer des coûts de trading nuls pour les stratégies à fort turnover