SKILLEMALL.ai

BF joinquant-strategy-backtest

Фреймворк генерации кода для бэктестинга стратегий JoinQuant. Основан на шестиэтапном шаблонном каркасе, поддерживает два режима: выбор акций по нескольким факторам среза и выбор времени по временным техническим индикаторам, использует нативный API JoinQuant для получения данных, автоматически генерирует код бэктестинга, который можно напрямую запускать на платформе JoinQuant.

машинный переводПоказать оригиналСкрыть оригинал«聚宽(JoinQuant)策略回测代码生成框架。基于六段式骨架模板,支持截面多因子选股、时序技术指标择时两种模式,使用聚宽原生API获取数据…»

聚宽(JoinQuant)策略回测代码生成框架。基于六段式骨架模板,支持截面多因子选股、时序技术指标择时两种模式,使用聚宽原生API获取数据,自动生成可直接在聚宽平台运行的回测代码。

ClawHub Agent Skills автор: chenxyzcyxpp v0.5.1 MIT-0 6 файлов тело ≈ 5 235 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Фреймворк генерации кода для бэктестинга стратегий JoinQuant.

Как процесс F 31/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: references/jqfactor_library.md

ИнтеграцияРазработкаДанные и аналитикаФинансытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
79/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
47
Прогон на моделях
не было
Процессный рейтинг
F
31/100
Не запустится
Скилл ссылается на файлы, которых нет в архиве: references/jqfactor_library.md
Инструменты и файлы вес 18
0
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
  2. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
  3. В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 0

✓ Критических и высоких находок нет

Просканировано файлов: 6. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • предупреждение body-long тело SKILL.md ≈ 5235 токенов (рекомендуется < 5000); вынесите детали в references/
  • предупреждение missing-ref ссылка на отсутствующий файл: references/jqfactor_library.md

Процессный рейтинг: все десять параметров 31/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: references/jqfactor_library.md
  • 0Инструменты и файлы. Не хватает 1 файла(ов): references/jqfactor_library.md
  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
  • 70Стоимость исполнения. Тело инструкции 5235 токенов
  • 100Шаги. Шагов: 101
  • 100Согласованность. Имя и обязательные поля на месте
  • low Разделов верхнего уровня: 10. Похоже на несколько доменов в одном скилле

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Длина description 91: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -219 эмодзи в инструкциях: шум для модели
  • -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 43 заголовков
  • +3Пошаговые инструкции: 101 пунктов
  • +4Есть примеры (12 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 47.

Внешние проверки

ClawHub: clean
This skill is a coherent JoinQuant backtest code-generation aid, with no evidence of hidden credential access, persistence, or unrelated data handling.
LLM: benign (high) · VirusTotal: · 10 авг. 2026 г.