# skill-backtest **Repository Path**: quantskills/skill-backtest ## Basic Information - **Project Name**: skill-backtest - **Description**: 只读镜像，源仓库：https://github.com/quantskills/skill-backtest。提交与反馈请前往 GitHub。 - **Primary Language**: Unknown - **License**: GPL-3.0 - **Default Branch**: codex/migrate-20260811 - **Homepage**: https://github.com/quantskills/skill-backtest - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2026-08-31 - **Last Updated**: 2026-08-31 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # skill-backtest Parameters: horizon, top percentile, and fee basis points are explicit. This is for research and education only and does not constitute investment advice. ## 可执行 DAG 接口 `scripts/backtest_dag.py` 接收 `factor-panel@1.0.0` 与 `market-bar@1.0.0` JSON envelope，要求显式传入策略、持有期、Top 比例、费率和输出目录。它拒绝多因子、neutral 方向、缺少交易状态/涨跌停依据及原生记录与 canonical 记录非严格一一对应的输入；输出 `backtest-result@1.0.0`、`evaluation-result@1.0.0` 与带哈希的内部收益序列 artifact。仅供研究和教育，不构成投资建议。 [简体中文](./README.md) | [English](./README.en.md) 不是回测框架，而是**截面多头回测的标准协议**：T+1 开盘成交、Top 等权、双边 15bp、涨跌停剔除、四联诊断图、5 项健康度自检。 `role: skill` `output: NAV + diagnostic charts` `paradigm: cross-section long-only` --- `skill-backtest` 是 PandaAI Quant Skills 提供的**截面多头回测 Skill**。它把"信号 → 真金白银的净值曲线"这条链路标准化：用统一的成交假设、统一的手续费、统一的诊断图，让不同因子的回测结果可以横向对比。 ## 🎯 这个 Skill 解决什么问题 回测最容易出 bug，且 bug 的方向永远是"让回测好看"： - 用 `close[T]` 当 T 日成交价 → Sharpe 飙到天上 - 不剔涨跌停 → 多了买不到的收益 - 不算手续费 → 高换手策略假装能赚钱 - 用现在还活着的股票回测 2018 年 → 生存者偏差 - T+0 假设套到 A 股 → 实盘做不到 本 Skill 把这些假设**全部锁死**，再加一套 **5 项健康度自检**： - 持仓股数稳定接近 Top X% - 单日换手 ≈ 2/H - Sharpe ≈ IC_IR × 0.3 ~ 0.5 - MDD 在 -20% ~ -40% - 全仓时间占比 > 80% 任何一项不通过 → 先怀疑 bug，不要相信结果。 ## ⚡ 回测协议 | 项 | 标准设定 | |---|---| | 选股 | 每日按 signal 截面排名取 Top 10% | | 入场 | T+1 开盘 | | 出场 | T+1+H 开盘 | | 持仓 | 等权（Top N 资金均分）| | 重叠 | 每日 1/H 资金被换仓（滚动持仓）| | 不可买 | `trade_status==1` 或 `close >= limit_up*0.99` | | 不可卖 | `trade_status==1` 或 `close <= limit_down*1.01` | | 手续费 | 双边 15 bp | | 资金 | 假设无限大、无市场冲击 | ## 🗃️ 输入要求 行情面板必须含字段： ``` date, symbol, open, close, high, low, volume, trade_status, limit_up, limit_down ``` 跨市场调整：美股没有涨跌停字段，可改用 `gap_open > 5%` 等代理；期货按品种规则。详见 `references/assumptions.md`。 ## 📦 仓库内容 ``` skill-backtest/ ├── SKILL.md ├── README.md / README.en.md ├── references/ │ ├── assumptions.md # 标准假设（A股 / 美股 / 期货） │ ├── algorithm.md # 滚动持仓回测核心算法 │ ├── diagnostic-charts.md # 四联 / 六联图绘图骨架 │ ├── health-check.md # 5 项体检 + 诊断流 │ └── anti-patterns.md # 10 种反模式 + 危险信号 └── agents/ ├── openai.yaml ├── cursor-rule.mdc └── portable-loader.md ``` ## 🚀 快速开始 把 `skill-backtest/` 放到 Agent 的 skill 目录下。触发词命中（"跑回测 / 画净值 / benchmark 对比"）时自动加载。 ## 📊 标准诊断图（四联起步） ``` ┌─────────────────────┬─────────────────────┐ │ ① 净值曲线 │ ② 累计 IC │ │ 策略 vs benchmark │ 累加每日 rank IC │ ├─────────────────────┼─────────────────────┤ │ ③ 分组收益（5/10） │ ④ 回撤 │ │ Q1 ~ Q5 柱状 │ underwater curve │ └─────────────────────┴─────────────────────┘ ``` 进阶六联：再加月度热图 + 换手时序。详见 `references/diagnostic-charts.md`。 ## 🧪 5 项健康度自检（跑完必做） | 检查 | 期望 | 不通过的含义 | |---|---|---| | 持仓股数 | ≈ Top X% | universe 错 / 涨跌停剔过狠 | | 换手率 | ≈ 2/H | 信号噪声主导 | | Sharpe vs IC_IR | Sharpe ≈ IC_IR × 0.3 ~ 0.5 | close 当成交价 / 没扣手续费 / T+0 | | MDD | -20% ~ -40% | < 5% 几乎一定是未来函数 | | 全仓时间 | > 80% | 信号 NaN 太多 | ## 🧭 与 PandaAI Quant Skills 其它 Skill 的关系 | 仓库 | 用途 | |---|---| | skill-factor-mine | 提案改代码 | | skill-factor-evaluate | 给因子打分（内含简化回测）| | **skill-backtest**（本仓库）| 详细回测 + 诊断图 + benchmark 对照 | | skill-ic-analysis | 不画净值，只看 IC 衰减 | | skill-factor-debug | 回测异常时的诊断 | | skill-factor-review | 整个因子库的回测复盘 | ## 📜 项目状态与边界 - **项目状态**：Community Project，未经官方审核 / 认证 / 背书 - **数据来源**：本仓库不附带任何市场数据。使用者需自行准备行情面板，数据合法性与许可由使用者负责 - **核心假设**：T+1 开盘成交、Top 10% 等权、双边 15bp 手续费；资金无限大、无市场冲击 - **已知限制**：不模拟集合竞价滑点 / 券池融券约束 / 大单冲击；不处理分红除权除息 / 配股 / 重大事件停牌的复杂情形 - **风险边界**：回测净值仅反映在历史数据 + 假设条件下的模拟收益，不代表未来表现，**不等同于实盘可达收益** - **用途**：仅供量化研究、教育与方法论参考。**不构成任何形式的投资建议、交易信号或获利保证** ## 📜 License This repository is licensed under the GNU General Public License v3.0. See LICENSE. Copyright (C) 2026 QuantSkills. ## 🐼 PandaAI / QUANTSKILLS 社群
PandaAI 社群二维码
扫码加入 PandaAI 社群，交流 QUANTSKILLS 技能、Agent 工作流与量化研究实践。