开发交易策略需要严格的回测以避免代价高昂的偏差。本技能提供生产级模式，用于可靠的战略验证，正确处理前瞻性偏差、幸存者偏差和交易成本。
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”。 具有20天回望期基本动量策略回���
预期结果:
策略实现12.3%年化回报率，波动率15.2%。夏普比率：0.81。最大回撤：-18.4%。胜率：54.2%。结果包括权益曲线、回撤图和月度回报热图。
正在使用“backtesting-frameworks”。 均值回归参数的向前优化
预期结果:
在8个测试期间，最佳回望窗口为14-21天。样本外夏普比率：0.65（样本内：0.72）。参数稳定性确认策略稳健性。组合权益曲线显示跨市场制度的一致性能。
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
量化研究员验证新交易信号
量化研究员开发基于动量的交易策略，需要在多种市场制度下验证性能，同时避免过度拟合并确保现实的成本假设。
算法交易员构建系统化策略
算法交易员实施系统化策略，需要稳健的回测基础设施，具有适当的训练/验证/测试拆分和向前优化，以确保策略稳健性。
数据科学家探索金融应用
数据科学家将机器学习应用于金融数据，需要正确回测方法的指导，以避免前瞻性偏差和幸存者偏差等常见陷阱。
试试这些提示
帮我为简单的移动平均交叉策略设置基本回测框架。我有pandas DataFrame中的日线OHLCV数据。包括交易成本并计算关键性能指标。
我需要为均值回归策略实施向前分析。使用252天训练窗口和63天测试窗口，采用锚定训练。优化回望参数并显示来自组合测试期的权益曲线。
对我的策略回报运行蒙特卡洛模拟以评估稳健性。��希望对最大回撤分布进行bootstrap分析，以及在21、63和252天持有期内1000次模拟的损失概率。
构建一个具有限价单自定义执行逻辑的事件驱动回测器。包括基于订单动态的现实填充建模、头寸跟踪和实时盈亏计算。支持具有投资组合级别风险管理的多资产。
最佳实践
- 始终使用时间点数据以避免前瞻性偏差 - 确保信号仅使用决策时可用的信息生成
- 保留样本外数据用于最终评估 - 永远不要在测试集上优化参数
- 包括现实的交易成本 - 同时建模显性成本（佣金）和隐性成本（滑点、市场影响）
避免
- 在不理解调整的情况下使用调整后收盘价 - 可能会来自未来股息或拆分信息引入前瞻性偏差
- 相对于可用数据优化太多参数 - 导致过度拟合和样本外性能差
- 通过仅在当前成分股上测试来忽略幸存者偏差 - 必须包括退市证券以获得准确结果