技能介绍

解决什么问题

A股量化研究里，从策略想法到可验证结果往往隔着很多手工环节：写 Pandas 生成买卖信号、取历史行情、处理 T+1 和印花税、跑回测、算夏普比率与最大回撤、再画出收益曲线。脚本散落容易带来前视偏差、未来函数和不可复现的问题。这个技能把流程固定成一条链路：先把用户策略转成包含 buy_signal / sell_signal 并保存 signals.csv 的 Pandas 代码；通过 MCP Server 获取历史行情并合并信号；调用回测引擎处理交易约束并输出 backtest_log.csv；再运行指标脚本得到标准化 JSON 和 performance_chart.png。最终回复需要原样贴出 JSON 指标，并用 Markdown 图片展示收益曲线，方便直接验证。

核心能力与工作流

策略解析与代码生成：支持如双均线金叉这类规则，生成可保存的 signals.csv。
安全约束：禁止使用 shift(-1)，必须设定全局 Random Seed，降低未来函数和随机性不可复现的风险。
数据与回测：通过 MCP 取行情并合并信号；执行 python scripts/backtest_engine.py --signals signals.csv --output backtest_log.csv，由引擎处理 T+1 与印花税。
指标与可视化：执行 python scripts/metric_calculator.py --log backtest_log.csv，输出标准化 JSON（包含夏普比率、最大回撤等）并生成本地收益曲线图。

适用边界与注意点

适合 A 股历史数据上的因子与技术指标研究，不替代交易决策、实盘风控或数据源质量保证。回测结果受行情区间、费用税负假设、滑点和撮合细节影响，JSON 与图片更适合做流程验证和初步评估。使用时仍需保证 MCP 数据可用、脚本路径正确、策略规则可明确表达；面对复杂订单类型、盘中执行或多因子组合，建议结合更完整的回测框架。