Menu
The review-first prompt is selected by default. You can switch to a direct command or download a local copy.
Read SKILL.md and any companion files shown by SkillsMP before deciding whether to install.
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
A direct command skips the review prompt. Inspect the source before running it.
npx skills add https://github.com/digoal/skills --skill fund-quant-backtestThe command stays on one line. Scroll horizontally to inspect it before copying.
Prefer a local copy? Download the files currently available to SkillsMP.
Showing SKILL.md
| name | fund-quant-backtest |
| description | A 股指数/基金估值定投与择时策略的可运行回测脚手架。 |
| version | 0.1.0 |
| author | Hermes Agent (curator-managed) |
| license | MIT |
| metadata | {"hermes":{"tags":["finance","backtest","a-stock","dca","valuation"],"related_skills":["retail-trading-manual-writer","a-stock-prediction","finance-core-analysis"]}} |
触发词 (任一即用): 回测、定投算法、估值定投、智能定投、年化对比、分位算法、复现一遍、对比普通定投。
典型场景:
不要用本 skill:
retail-trading-manual-writera-stock-prediction / us-stock-predictionfinancial-report-analysisindustry-deep-explainer本 skill 提供 可运行的 Python 回测脚手架,用于在 A 股指数/基金上验证估值定投 / 择时类策略。核心交付物是:
/root/new/tmp/<task>/<date>/backtest_*.py, 跑出结论 + CSV输入: 指数或基金代码 + 回测区间 + 策略档位(分位阈值 + 倍率) + 基础定投金额。 输出: 各策略的总投入 / 总份额 / 终值 / 年化 / 买入月数 / 最大回撤 + 关键时间点的决策明细。
触发词: 回测、定投算法、估值定投、智能定投、年化对比、分位算法、复现一遍。
明确边界: 本 skill 不负责以下任务, 请跳转其他 skill:
retail-trading-manual-writera-stock-prediction / us-stock-predictionfinancial-report-analysisindustry-deep-explainerak.stock_zh_index_hist_csindex(symbol="H00300", start_date="...", end_date="...")
收盘 和 滚动市盈率, 无需二次拼接 PE 数据。H00300H00905H00922H00016H03900H02021WIN = 1252 # 5 年 ~ 1252 个交易日
df['pe_pct'] = df['pe_ttm'].rolling(WIN, min_periods=252).apply(
lambda x: np.sum(x[:-1] <= x[-1]) / len(x[:-1]),
raw=True
)
df['ym'] = df['日期'].dt.to_period('M')
month_first = df.groupby('ym').first().reset_index()
for s in ['s1_naive', 's2_zhifubao', 's3_v1', 's4_v2']:
month_first[] = month_first[s] * BASE_AMT
month_first[] = month_first[] / month_first[]
total_invest = month_first[].()
total_shares = month_first[].()
final_value = total_shares * df[].iloc[-]
cagr = (final_value / total_invest) ** (/years) - total_invest >
默认提供的策略档位(可改):
| 策略名 | 触发条件 | 扣款 |
|---|---|---|
s1_naive | 不论分位 | 1.0x |
s2_zhifubao | PE 分位 < 30% | 1.0x, 否则 0 |
s3_v1_middle_buy | 三指标任一触发低估 | 1.5x, 30-70% 区间 0.5x, > 70% 0 |
s4_v2_final | < 30% → 1.5x, 30-50% → 0.5x, > 50% → 0 | (主人最终采纳版, 单 PE 信号) |
s5_v4_three_indicators | PE 分位 + 股债比 + 60月均线趋势 | 1.5x / 0.5x / 0 / 极低估 3x + 趋势折扣 (主人首选, 三指标版) |
s6_extreme | PE 分位 < 15% AND PB 分位 < 15% | 3.0x |
两版并存的关系:
s4_v2_final: 单 PE 信号 + 主人档位偏好。简单, 透明度最高, 主人最初拍板的版本。s5_v4_three_indicators: PE 分位 + 股债比 (1/PE / 10Y 国债) + 60月均线趋势过滤。这是 2026-08-27 主人进一步要求的版本, 也是回测下来"绝对收益 + 资金利用率"双优的版本。默认推荐用这个。回测验证 (沪深300, 2014-2026-08, 152 个月, 投入 1000/月):
| 策略 | 终值 | CAGR | 买入月数 |
|---|---|---|---|
| 普通定投 | 220,452 | 2.98% | 152/152 |
| 支付宝风 (PE<30%才买) | 147,660 | 4.08% | 89/152 |
| v2 简化 (PE分位单指标) | 181,009 | 3.72% | 110/152 |
| v4 三指标 + 趋势 | 207,698 | 3.51% | 111/152 |
沪深300 全收益指数同期 2602 → 6799, 涨幅 161.3% (年化 7.9%)。
v4 不是 CAGR 最高, 是绝对收益最高 + 资金利用率最高 —— 这正是主人的偏好: 总收益才是真收益, 年化是给营销看的。后续新对话如果主人再调, 务必 patch 这个表, 不要在脚本里悄悄改。
默认 2014-2024 跑完一轮后, 主人会再问"扩到 2026 看近期" —— 直接加分段表:
| 段 | 时长 | 普通定投 CAGR | v4 CAGR | v4 优势 |
|---|---|---|---|---|
| 慢牛 (2019-2020) | 24 月 | 14.57% | 20.37% | +5.8 pp |
| 阴跌 (2021-2023) | 36 月 | -5.90% | -2.84% | +3.1 pp |
| 反弹 (2024-2026) | 32 月 | 6.33% | 12.38% | +6.0 pp |
核心洞察: v4 在三种不同行情下都跑赢普通定投, 阴跌段损失减半、反弹段收益翻倍。这是估值信号的真正价值, 不是只看 CAGR 能看出来的。后续回答主人"为什么用 v4"时, 直接引用这段话。
最近 12 个月 (2025-09 ~ 2026-08) v4 决策 = 全部 0.0 (PE 分位 73-96%) —— 这就是 v4 在贵市里的"沉默期", 用来回答"算法是不是死了"质疑的最佳证据。
df['pe'].rolling().rank(pct=True) —— 那给的是滚动百分位, 不是历史分位, 含义不同。x[:-1] <= x[-1], 防止前视偏差。Cannot connect to proxy)—— 用 curl --socks5-hostname host.docker.internal:11112, 或重试一次, 不要无限重试。回测结论最好落地为一张图: X 轴时间, Y 轴累计投入 / 累计市值, 多策略叠加。
推荐 matplotlib + fill_between, 例:
import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(12, 6))
for s in ['s1', 's2', 's3', 's4']:
cum_value = (month_first[f'{s}_share'].cumsum() * month_first['close']).values
ax.plot(month_first['日期'], cum_value, label=s)
ax.legend()
ax.grid(alpha=0.3)
图存到 /root/new/tmp/<task>/<date>/fig_*.png, 在对话里直接引用路径。
实战中主人明确表达的偏好, 后续回测必须满足, 不要替主人切档位:
ak.stock_zh_index_value_csindex (中证指数估值) 返回的 xls URL (oss-ch.csindex.com.cn/static/html/...) 已 404, 实际是占位 JPEG 图片。不要用这个接口拿历史 PE/PB/股息率。直接走 stock_zh_index_hist_csindex。ak.bond_zh_us_rate(), 含 1990-2026 全历史, 列名 中国国债收益率10年。akshare 的 bond_china_yield() 只覆盖到 2021, 别用。ak.stock_index_pe_lg): 挂了 csrf, 直接放弃, 别尝试。雪球 PE 也有 csrf / 反爬, 不推荐。回测结论跑通 + 主人明确说"落 cron"后, 进入此阶段。默认推荐用 --script + --no-agent 纯脚本模式, 不是 agentic 模式:
hermes-cron-orchestrator 描述的 agentic 模式是浪费 (那 skill 主要服务"数据 + LLM 解读"型 cron)完整模板 / 部署流程 / 时区换算 / 7 步走 / 踩坑速查表, 看 references/production-deployment.md。关键提醒:
/root/.hermes/profiles/digoal/scripts/ (per-profile, 不是全局)--script 参数用纯文件名 (不要绝对路径)/root/new/work/digoal/ 下references/akshare-pe-data-sources.md: 中证 / 乐咕乐股 / 雪球 / 万得 各源对比, 哪个能用、哪个有 csrf、字段含义。references/valuation-strategy-design-notes.md: 估值定投档位选择背后的依据, 三指标 / 趋势过滤 / EPS 一致预期修正等高级条件的取舍逻辑。references/production-deployment.md: 回测结论跑通后的生产化部署模式 (hermes cron + script + no-agent), 包括 wrapper.sh 模板、workdir 布局、history.json 格式、常见踩坑。scripts/dca_backtest_template.py: 一个可直接 copy 修改的回测模板。