開發交易策略需要嚴格的回溯測試以避免昂貴的偏差。此技能提供生產級別��模式，用於可靠地驗證策略，並正確處理前瞻偏差、倖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 天回溯期的基本動量策略回溯測試
预期结果:
策略實現了 12.3% 的年化報酬率和 15.2% 的波動率。夏普比率：0.81。最大回撤：-18.4%。勝率：54.2%。結果包括權益曲線、回撤圖表和月度報酬熱力圖。
正在使用“backtesting-frameworks”。 均值回歸參數的前向優化
预期结果:
最佳回溯視窗：8 個測試期間的 14-21 天。樣本外夏普比率：0.65（樣本內：0.72）。參數穩定性確認策略穩健性。組合權益曲線顯示跨市場狀態的一致績效。
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
驗證新交易信號的量化研究員
開發動量交易策略的量化研究員需要在多種市場狀態下驗證績效，同時避免過度擬合並確保真實的成本假設。
建立系統化策略的演算法交易者
實作系統化策略的演算法交易者需要強大的回溯測試基礎架構，包括適當的訓練/驗證/測試分割和前向優化，以確保策略穩健性。
探索財務應用的資料科學家
將機器學習應用於財務資料的資料科學家需要正確的回溯測試方法指導，以避免前瞻偏差和倖存者偏差等常見陷阱。
试试这些提示
幫我建立一個簡單移動平均交叉策略的基本回溯測試框架。我有 pandas DataFrame 中的每日 OHLCV 資料。包括交易成本並計算關鍵績效指標。
我需要為均值回歸策略實作前向分析。使用 252 天訓練視窗和 63 天測試視窗，採用錨定訓練。優化回溯參數並顯示來自組合測試期間的權益曲線。
對我的策略報酬執行蒙地卡羅模擬以評估穩健性。我想要對最大回撤分佈進行自助分析，以及 21、63 和 252 天持有期間的虧損機率，共 1000 次模擬。
建立一個具有自訂限價單執行邏輯的事件驅動回溯測試器。包括基於訂單簿動態的真實成交建模、頭寸追蹤和即時損益計算。支援多種資產和投資組合級別的風險管理。
最佳实践
- 始終使用時間點資料以避免前瞻偏差 - 確保僅使用決策時可用的資訊產生信號
- 保留樣本外資料用於最終評估 - 絕不在測試集上優化參數
- 包括真實的交易成本 - 對顯性成本（手續費）和隱性成本（滑點、市場影響）進行建模
避免
- 在不理解調整的情況下使用調整後收盤價 - 可能會引入來自未來股息或分割資訊的前瞻偏差
- 相對於可用資料優化過多參數 - 導致過度擬合和樣本外績效不佳
- 僅在當前成分股上測試而忽略倖存者偏差 - 必須包括已退市證券以獲得準確結果