SKILLEMALL.ai

BD quant-tools

Набор инструментов для количественных исследований с академическим уклоном. Включает 7 основных библиотек (факторный анализ, оптимизация портфеля, усиление ИИ, причинно-следственная проверка, ценообразование деривативов, движок бэктестинга, анализ настроений) и 5 инструментов для исследований и разработок (фреймворк торговли VeighNa, исследования и разработки ИИ Qlib, высокопроизводительный фреймворк WTP, интерфейс данных AkShare, среда исследований JupyterHub). Применяется для задач исследований и разработок, таких как разработка стратегий, поиск факторов, воспроизведение статей, распределение активов, сервировка API. Ключевые слова: количественные исследования, quant, факторы, оптимизация портфеля, факторный анализ, бэктестинг, торговый фреймворк, интерфейс данных, академические исследования.

машинный переводПоказать оригиналСкрыть оригинал«学术导向量化研究工具集。包含7大核心库(因子分析、组合优化、AI增强、因果验证、衍生品定价、回测引擎、情感分析)和5大投研工具(VeighN…»

学术导向量化研究工具集。包含7大核心库(因子分析、组合优化、AI增强、因果验证、衍生品定价、回测引擎、情感分析)和5大投研工具(VeighNa交易框架、Qlib AI投研、WTP高性能框架、AkShare数据接口、JupyterHub研究环境)。适用于策略研发、因子挖掘、论文复现、资产配置、API服务化等投研任务。触发词:量化、quant、因子、组合优化、因子分析、回测、交易框架、数据接口、学术研究。

ClawHub Agent Skills автор: jiadong0723 v1.0.0 MIT-0 3 файла тело ≈ 979 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Набор инструментов для количественных исследований с академическим уклоном.

Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ИнтеграцияGitHubИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
70
Прогон на моделях
не было
Процессный рейтинг
D
49/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
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.
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: 3. 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")

Процессный рейтинг: все десять параметров 49/100

  • 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 (quant-tools) не совпадает с папкой (jiadong-quant-tools)
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 84
  • 100Стоимость исполнения. Тело инструкции 979 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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -266 эмодзи в инструкциях: шум для модели
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 202 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 32 заголовков
  • +3Пошаговые инструкции: 84 пунктов
  • +4Есть примеры (8 блоков кода)

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

Внешние проверки

ClawHub: clean
This appears to be a quantitative finance research skill with expected market-data and backtesting capabilities, but users should treat its trading-related workflows carefully.
LLM: benign (medium) · VirusTotal: · 29 мая 2026 г.