BF Quantitative Backtesting Laboratory
Лаборатория количественного бэктестинга на базе ИИ для китайского рынка акций A — охватывает проектирование стратегий, исторический бэктестинг, анализ производительности, анализ walk-forward и моделирование Монте-Карло. Создано для количественных аналитиков, алгоритмических трейдеров и бэктестинга на Python. Ключевые слова: количественный бэктестинг, алгоритмическая торговля, исследование стратегий, бэктестинг на Python, китайский рынок акций A, анализ производительности, 量化回测, 算法交易, 策略研究, Python回测, 绩效归因, 量化策略, 蒙特卡洛, 趋势跟踪, 均值回归, 统计套利.
машинный переводПоказать оригиналСкрыть оригинал«AI-powered quantitative backtesting laboratory for China A-share — cov…»
AI-powered quantitative backtesting laboratory for China A-share — covers strategy design, historical backtesting, performance attribution, walk-forward analysis, and Monte Carlo simulation. Built for quantitative analysts, algorithmic traders, and Python-based backtesting. Keywords: quantitative backtesting, algorithmic trading, strategy research, Python backtest, China A-share, performance analysis, 量化回测, 算法交易, 策略研究, Python回测, 绩效归因, 量化策略, 蒙特卡洛, 趋势跟踪, 均值回归, 统计套利.
Лаборатория количественного бэктестинга на базе ИИ для китайского рынка акций A — охватывает проектирование стратегий, исторический бэктестинг, анализ…
Как процесс F 26/100 · Не запустится — слабые места: шаги, результат и критерий готовности, когда включается
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
frontmatter-yamlSKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Nested mappings are not allowed in compact mappings at line 3, column 14: description: AI-powered quantitative backtesting laboratory for China A-share —… ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении - предупреждение
name-formatname должен быть в kebab-case (строчные буквы, цифры, дефисы) - предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - заметка
frontmatter-keyнеизвестное поле фронтматтера "slug"
Процессный рейтинг: все десять параметров 26/100
- 0Шаги. Инструкция сплошным текстом, шаги не выделены
- 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
- 40Согласованность. Имя во frontmatter (Quantitative Backtesting Laboratory) не совпадает с папкой (security-quant-backtest)
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 100Стоимость исполнения. Тело инструкции 2925 токенов
- 100Повторный запуск. Изменяющих операций нет
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)
- +3Нет пошаговых инструкций или чек-листа
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 468 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 10 заголовков
- +4Есть примеры (5 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 53.