Alpaca 交易回测

问题在于「跑一次」和「能复现」之间的差距

把策略想法丢给 AI Agent，得到的往往是一段跑完就丢的脚本：参数藏在代码里、数据口径没记下来、费用假设事后没人能核对。这个技能针对的是另一种诉求——你已经知道要测什么，只需要一次有据可查的历史回测。

它如何工作

技能把执行范围限制得很死：Agent 只为已确认的策略写最小可读代码，不做策略探索、不自动调参。这样做的好处是，任何一次解释性选择都必须暴露在你面前——比如用哪段历史区间、按什么粒度撮合、如何处理分红拆股、是否计入费用与滑点。

典型流程：

• 你给出策略与回测区间；
• Agent 复述假设，确认理解是否一致；
• 在本地工作区生成最小实现，落盘 notes.md、report.md、summary.json 等工件；
• 汇报结果，并把假设与口径一并写进工件，而不是只给一条净值曲线。

前置条件是环境里已装好 Alpaca CLI，技能本身不负责安装。

必须随结果一起走的披露

任何报告、notebook、dashboard 或导出结果都要带上历史回测免责声明。涉及模拟盘时，额外说明纸面交易与实盘的差异来源（成交假设、市场冲击、流动性、延迟、订单处理、费用等）。如果回测建模了 Alpaca 的交易活动费用，notes.md、summary.json、report.md 需要链接 Alpaca Brokerage Fee Schedule PDF，并记录 PDF 版本日期、提取时间戳、建模的费用类别，以及刻意排除的费用项。

适用边界

它不是「策略能赚钱」的承诺，而是一套可复现的研究流程。回测质量取决于行情数据质量、数据源选择、公司行为处理、费用滑点税收、执行假设与实现细节。结果只用于研究与教育，不构成投资建议。