Agent Skills
返回列表
📊

策略回测专家

数据分析 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/tradermonty-claude-trading-skills-backtest-expert。

技能介绍

要解决什么问题

纸面回测里「胜率 90%、回撤极小」的策略,往往在上实盘或换参数后就崩掉。常见原因是曲线拟合、前视偏差、幸存者偏差,以及把佣金和滑点估得太乐观。本技能面向系统化、可编码的交易思路:目标不是找「纸面上赚得最多」的规则,而是找在悲观假设下仍最不崩的策略。

技能如何工作

它按专业方法论拆成可执行流程:

  1. 一句话假设:说不清边际优势就不要开测。
  2. 零主观编码:入场、出场、仓位、过滤器、标的池必须规则化,不允许临场判断。
  3. 初测:建议至少 5 年(更好 10+)、多市场状态,并计入佣金与保守滑点。
  4. 压力测试(应占大部分时间):参数敏感度(止损/止盈/时机 ±)、执行摩擦(滑点 1.5~2x、最差成交)、分年稳健性与样本量(最少约 30 笔,更理想 100+)。
  5. 样本外验证:如走步前向(walk-forward),对比样本内与样本外表现。

技能会引导产出结构化评估(如 backtest_eval_.json)与可读报告(如 reports/backtest_eval_.md),并引用 references/methodology.md、references/failed_tests.md 做方法与失败案例对照。评估脚本需 Python 3.9+,指标由你提供,无需 API 密钥或外部行情依赖。

适用边界与注意点

  • 侧重量化/systematic回测;依赖主观盘感、新闻语境的discretionary setups 不在本技能射程内。
  • 若策略必须「完美市场语境」才成立,通常不够稳健。
  • 结果好得离谱时要主动审计数据对齐、插值与平台怪癖;小边际需要大样本才有统计意义。

使用场景

  • 把交易想法写成无歧义入场/出场规则后,需要按 5~10 年历史做初测并设定现实成本
  • 回测曲线过于平滑,要系统排查前视偏差、幸存者偏差和参数过拟合
  • 准备在实盘前做止损/止盈/时机敏感度与 1.5~2 倍滑点的压力测试
  • 需要走步前向(walk-forward)对比样本内外表现,再决定是否上线

适合人员

  • 编写系统化规则、要在小规模实盘前用压力测试筛掉脆弱策略的量化研究员
  • 发现历史回测与实盘落差大,想按方法论重审假设与执行成本的系统化交易员
  • 自学回测规范、希望用失败案例清单避免曲线拟合与样本量不足的个人策略开发者
  • 用自研指标驱动评估脚本(Python 3.9+)、需结构化打分与红旗清单的独立回测维护者