取引戦略の開発には、コストのかかるバイアスを避けるための厳密なバックテストが必要です。このスキルでは、ルックアヘッドバイアス、サバイバーシップバイアス、取引コストを適切に処理した、信頼性の高い戦略検証のためのプロダクショングレードのパターンを提供します。
下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“backtesting-frameworks”。 20 日ルックバックを備えた基本的なモメンタム戦略のバックテスト
预期结果:
戦略は 15.2% のボラティリティで 12.3% の年間リターンを達成しました。シャープレシオ：0.81。最大ドローダウン：-18.4%。勝率：54.2%。結果には資産曲線、ドローダウンチャート、月次リターンヒートマップが含まれます。
正在使用“backtesting-frameworks”。 平均回帰パラメータのウォークフォワード最適化
预期结果:
8 つのテスト期間にわたる最適なルックバックウィンドウ：14-21 日。アウトオブサンプルのシャープレシオ：0.65（インサンプル：0.72）。パラメータの安定性は戦略の堅牢性を確認しています。結合された資産曲線は、市場レジーム全体で一貫したパフォーマンスを示しています。
安全审计
安全All 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.
质量评分
你能构建什么
新しい取引シグナルを検証する定量研究者
モメンタムベースの取引戦略を開発する定量研究者は、過学習を回避し現実的なコスト仮定を確保しながら、複数の市場レジームにわたってパフォーマンスを検証する必要があります。
システマティック戦略を構築するアルゴリズムトレーダー
システマティック戦略を実装するアルゴリズムトレーダーは、戦略の堅牢性を確保するための適切な学習/検証/テスト分割とウォークフォワード最適化を備えた、堅牢なバックテストインフラを必要とします。
金融アプリケーションを探求するデータサイエンティスト
金融データに機械学習を適用するデータサイエンティストは、ルックアヘッドバイアスやサバイバーシップバイアスなどの一般的な落とし穴を回避するための適切なバックテスト手法に関するガイダンスを必要とします。
试试这些提示
単純な移動平均クロスオーバー戦略のための基本的なバックテストフレームワークのセットアップを手伝ってください。pandas DataFrame に日次の OHLCV データがあります。取引コストを含め、主要なパフォーマンス指標を計算してください。
平均回帰戦略のためにウォークフォワード分析を実装する必要があります。252 日の学習ウィンドウと 63 日のテストウィンドウを、アンカード学習で使用してください。ルックバックパラメータを最適化し、結合されたテスト期間の資産曲線を表示してください。
戦略リターンの堅牢性を評価するためにモンテカルロシミュレーションを実行してください。21 日、63 日、252 日の保有期間における最大ドローダウン分布のブートストラップ分析と損失確率を、1000 回のシミュレーションで求めたいです。
指値注文のためのカスタム実行ロジックを備えたイベントドリブンバックテスターを構築してください。オーダーブックダイナミクスに基づく現実的な約定モデリング、ポジション追跡、リアルタイム PnL 計算を含めてください。ポートフォリorevel のリスク管理を備えた複数資産をサポートしてください。
最佳实践
- ルックアヘッドバイアスを回避するために常にポイントインタイムデータを使用してください - シグナルは意思決定時に利用可能な情報のみを使用して生成されることを確認してください
- 最終評価のためにアウトオブサンプルデータを予約してください - テストセットでパラメータを最適化しないでください
- 現実的な取引コストを含めてください - 明示的コスト（手数料）と暗黙的コスト（スリッページ、市場影響）の両方をモデル化してください
避免
- 調整を十分に理解せずに調整後終値を使用すること - 将来の配当や株式分割情報からのルックアヘッドバイアスを導入する可能性があります
- 利用可能なデータに対して多すぎるパラメータを最適化すること - 過学習と貧弱なアウトオブサンプルパフォーマンスにつながります
- 現在の構成銘柄のみをテストすることでサバイバーシップバイアスを無視すること - 正確な結果のためには上場廃止銘柄を含める必要があります