backtesting-frameworks
建立可靠的交易回測
交易回測通常隱藏偏差並誇大績效。此技能提供模式和檢查，以設計可信賴的回測，正確處理前視偏差、存活偏差和交易成本。
下載技能 ZIP
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
開啟並開始使用
測試它
正在使用「backtesting-frameworks」。 How do I avoid survivorship bias in equity backtests?
預期結果:
- 使用包含下市證券的時點成分列表
- 獲取保留已下市標的物數據的歷史數據提供商
- 記錄數據來源及其存活偏差處理方法
- 使用已知的歷史指數成分測試您的投資組合
正在使用「backtesting-frameworks」。 What are the key metrics to evaluate a backtest?
預期結果:
- 夏普比率用於風險調整報酬
- 最大回撤用於最壞情況損失
- Calmar 比率結合報酬和回撤
- 勝率和獲利因子用於交易品質
安全審計
安全This 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.
風險因素
🌐 網路存取 (4)
⚡ 包含腳本 (1)
品質評分
你能建構什麼
驗證新策略
在信任績效估計之前，套用偏差檢查和前進分割。
比較替代方案
在多個策略候選者之間使用一致的成本模型和指標標準。
設計回測引擎
遵循事件驅動架構模式和執行建模指南。
試試這些提示
概述一個避免前視偏差並包含現實交易成本的基本回測工作流程。
針對具有 50 個標的物的每日股票策略，比較事件驅動和向量化回測方法。
針對 10 年的每日數據，提出前進訓練和測試窗口，並解釋其原理。
列出蒙特卡羅分析和指標，以評估策略報酬序列的回撤風險。
最佳實務
- 保留一個永遠不用於優化的最終測試集
- 根據您的執行目標，使用基於現實參數的佣金和滑點建模
- 報告回撤和風險調整指標，不僅僅是原始報酬
避免
- 在沒有樣本外測試的情況下對完整歷史優化參數
- 在建構股票投資組合時忽略已下市證券
- 對高週轉策略假設零交易成本