掘金量化自然语言策略引擎
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 @user_7b314952/gmquant。
技能介绍
要解决的问题
当策略想法还停留在“均线交叉买入、跌破止损”这类自然语言描述时，落地到掘金量化仍需处理 set_token、symbol、run()、strategy_id、订阅与下单等细节。掘金量化skill 面向的就是这段转换：把中文交易想法整理成可直接运行的 .py 策略，并支持回测或实时/仿真执行。它不是泛化代码助手，而是围绕掘金量化 SDK 的策略生成与运行流程。
工作方式
该技能会先识别策略关键要素，包括 标的池、时间频率、买入信号、卖出信号、仓位管理、止损止盈、回测区间、初始资金和运行模式。如果用户没有提供 strategy_id，会先追问再进入生成，因为该标识决定回测结果是否持久化到掘金终端并展示绩效分析图表。生成阶段会输出完整策略文件，运行阶段通过 scripts/run_strategy.py 启动 MODE_BACKTEST=2 回测或 MODE_LIVE=1 实时/仿真模式。对数据查询场景，技能会强调先调用 set_token，且不需要 run()；对交易场景，则关注 symbol 大小写、subscribe、下单函数参数、A 股 100 股最小单位与 T+1 等约束。
适用边界
该技能依赖掘金量化终端环境，部分接口和增值数据可能需要付费权限。回测、仿真、实盘下 current()、订单状态、成交回报等行为可能不同，市价单在资金不足时也可能被撤销而非报错。它适合把明确策略意图转成可运行代码，但不适合在用户描述模糊时自行猜测买卖条件，也不承诺交易收益。
使用场景
- 在掘金终端已有标的与信号想法时，把“双均线交叉”整理成可回测的 Python 策略文件并指定 strategy_id。
- 调试策略时，检查 set_token、symbol、MODE_BACKTEST 与运行脚本配置是否正确。
- 实盘或仿真不触发订单时，按订阅、定时任务、主连合约限制与订单状态逐步排查原因。
- 回测后要在终端查看收益、回撤与夏普比率，因此生成前先补齐 strategy_id 与回测区间。
适合人员
- 会用掘金量化但想减少策略模板手工复制的 Python 量化工程师。
- 已有明确买卖信号，需要把研究想法快速变成可执行回测文件的策略研究员。
- 在掘金终端维护多个策略，需要规范 strategy_id、参数与终端绩效展示的开发者。
- 调试期货连续合约、A股最小下单单位或订单回调时遇到异常的执行工程师。
相关技能
围绕消防法规、设计审查、验收、设施运维、安全管理和灭火辅导，检索规范条文并输出可溯源的结构化解答。
基于 accurLex 知法 API 审查中国法合同纯文本，输出完整审查意见原文，并生成 Word 文档。
围绕单个 SOC 或 PT 家族，生成可执行的 FAERS 主动对照安全比较研究设计。
金融数据分析方法论参考，覆盖财务报表、KPI、可视化与自动化报告，提供模板与示例框架，不执行代码或采集数据。