quant-strategy-quick-backtest

name	quant-strategy-quick-backtest
description	证券金融工程研究员轻量化策略速回测技能。当用户要求进行策略回测、量化策略测试、简易策略验证、快速计算年化收益/最大回撤/夏普比率、策略过拟合检测时使用。包括"回测一下这个策略"、"测试均线交叉策略"、"策略速评"、"快速回测"、"算一下策略收益"、"策略有效性验证"、"帮我回测下"、"看看这个策略怎么样"、"策略表现如何"、"量化回测"、"策略回测报告"等表述。即使用户只说"回测"、"测试策略"、"算下收益"等简短表述也要触发。本技能自动解析策略规则、获取行情数据或模拟数据、执行回测计算、输出核心绩效指标，并附带过拟合风险提示，生成标准化Markdown格式回测报告。

量化策略速回测技能 (Quant Strategy Quick Backtest)

技能定位

为金融工程研究员提供轻量化、快速响应的策略回测能力，支持简易策略规则的解析与验证，快速输出核心绩效指标，并系统性提示过拟合风险。

适用场景：策略灵感快速验证、晨会策略速评、投研交流中的即时测算、策略框架初步筛选。 不适用场景：高频策略回测、复杂多因子模型、需要精细交易成本模拟的实盘级回测。

数据采集指引 (gildata-aidata 工具映射)

所有行情数据必须通过 gildata-aidata 服务获取，具体工具调用如下：

1. 指数行情数据 (作为基准或标的)

finx gildata-aidata IndexDailyQuote --body '{"query": "查询沪深300指数过去3年的每日收盘价、涨跌幅、成交量"}'

• 用途：获取宽基指数（如沪深300、中证500、创业板指）的历史日线行情，用于计算基准收益或作为 ETF 轮动策略的标的。

2. 个股行情数据 (作为策略标的)

finx gildata-aidata StockDailyQuote --body '{"query": "查询贵州茅台过去3年的每日收盘价、开盘价、最高价、最低价、成交量"}'

• 用途：获取个股历史日线行情，用于单标的策略回测或构建股票池。

3. 财务/估值数据 (用于基本面策略)

finx gildata-aidata StockValueAnalysis --body '{"query": "查询全市场A股最新PE(TTM)、PB(LF)"}'

• 用途：获取截面估值数据，辅助构建价值选股策略。

执行流程

第一步：解析策略规则

从用户输入中提取以下关键信息：

要素	说明	示例
策略类型	均线/动量/反转/突破/轮动/自定义	双均线交叉
标的范围	个股/指数/ETF/行业/自定义池	沪深300成分股
入场条件	触发买入的信号规则	MA5上穿MA20
出场条件	触发卖出的信号规则	MA5下穿MA20 / 止损8%
持仓权重	等权/市值加权/自定义	等权配置
调仓频率	每日/每周/每月/信号驱动	信号驱动
回测区间	起止时间（默认近3年）	2023-01-01 至 2026-04-27
基准指数	对比基准（默认沪深300）	沪深300

参数缺失处理：若用户未明确指定，使用以下默认值：

• 回测区间：近3年
• 初始资金：100万元
• 基准指数：沪深300（000300.SH）
• 交易成本：单边千分之一（含佣金+印花税+滑点）
• 调仓频率：信号驱动

第二步：获取行情数据

按优先级尝试以下数据源：

1. gildata-aidata：调用 IndexDailyQuote 或 StockDailyQuote 获取标的历史日线行情数据（开盘价、收盘价、最高价、最低价、成交量）。这是首选数据源。
2. eastmoney-mx：若 gildata-aidata 未覆盖，可尝试调用 search-data 获取补充数据。
3. Python 代码 + 开源库：在沙箱中使用 akshare 或 yfinance 获取数据。
4. 网络搜索：通过 web_search 搜索关键数据点，辅助构建数据集。
5. 模拟数据：若以上均不可用，生成符合统计特征的模拟数据，并在报告中明确标注。

数据要求：

• 频率：日线级别（最低要求）
• 字段：日期、开盘价、收盘价、最高价、最低价、成交量（至少需要收盘价）
• 长度：覆盖完整回测区间，含至少250个交易日/年

第三步：执行回测计算

使用 Python 代码在沙箱环境中执行回测，核心逻辑：

# 回测计算核心框架
import pandas as pd
import numpy as np

class QuickBacktest:
    def __init__(self, prices, signals, initial_capital=1000000, cost_rate=0.001):
        self.prices = prices          # 价格序列
        self.signals = signals        # 交易信号（1=买入，-1=卖出，0=持有）
        self.initial_capital = initial_capital
        self.cost_rate = cost_rate
    
    def run(self):
        # 计算每日持仓权重
        positions = self.signals.cumsum().clip(-1, 1)  # 简化为多空或纯多
        # 计算每日收益（扣除交易成本）
        daily_returns = prices.pct_change()
        strategy_returns = positions.shift(1) * daily_returns
        # 扣除交易成本
        trades = positions.diff().abs()
        strategy_returns -= trades * self.cost_rate
        # 计算净值曲线
        nav = (1 + strategy_returns).cumprod() * self.initial_capital
        return nav, strategy_returns

第四步：计算核心绩效指标

必须计算以下指标：

指标	计算公式	说明
年化收益率	(总收益率 + 1)^(252/交易日数) - 1	年化复利收益
最大回撤	max((nav_peak - nav_trough) / nav_peak)	历史最大亏损幅度
夏普比率	(年化收益 - 无风险利率) / 年化波动率	风险调整后收益，无风险利率取2.5%
胜率	盈利交易次数 / 总交易次数	交易成功比例
盈亏比	平均盈利 / 平均亏损	盈利与亏损的比值
年化波动率	日收益率标准差 × √252	收益波动程度
Calmar比率	年化收益 / 最大回撤	收益回撤比
超额收益	策略年化收益 - 基准年化收益	相对基准的alpha
信息比率	超额收益均值 / 超额收益标准差 × √252	超额收益的稳定性

第五步：过拟合风险检测

系统性检查以下过拟合信号，逐项评估：

过拟合检测清单

检测项	评估标准	风险等级
参数数量	自由参数 ≤ 3 个为安全，> 5 个高风险	🟢🟡🔴
样本外表现	训练期与测试期夏普差异 > 50% 预警	🟢🟡🔴
交易频率	年化交易次数 > 100 次可能过度拟合噪音	🟢🟡🔴
参数敏感性	参数微调 ±10% 导致夏普变化 > 30% 预警	🟢🟡🔴
经济逻辑	策略是否有合理的经济学解释	🟢🟡🔴
数据窥探	是否经过大量策略筛选后报告最优结果	🟢🟡🔴
幸存者偏差	是否仅使用当前存活标的回测	🟢🟡🔴

过拟合风险评级：

• 🟢 低风险：0-1 项预警
• 🟡 中风险：2-3 项预警
• 🔴 高风险：≥4 项预警

第六步：生成回测报告

严格按照以下模板生成 Markdown 格式报告：

# [策略名称] 速回测报告

> **报告日期**：YYYY-MM-DD
> **回测区间**：YYYY-MM-DD 至 YYYY-MM-DD
> **数据频率**：日线
> **标的范围**：[标的描述]

---

## 一、策略概要

| 要素 | 内容 |
|------|------|
| 策略类型 | [均线/动量/反转/突破/轮动] |
| 入场信号 | [具体规则] |
| 出场信号 | [具体规则] |
| 持仓方式 | [等权/市值加权/自定义] |
| 调仓频率 | [每日/每周/每月/信号驱动] |
| 交易成本 | 单边 ‰ |

---

## 二、核心绩效指标

| 指标 | 策略 | 基准（沪深300） | 超额 |
|------|------|-----------------|------|
| 年化收益率 | **%** | % | +.% |
| 最大回撤 | **.%** | .% | -.% |
| 夏普比率 | **.** | . | — |
| Calmar比率 | **.** | . | — |
| 年化波动率 | .% | .% | — |
| 胜率 | **.%** | — | — |
| 盈亏比 | **.** | — | — |
| 信息比率 | **.** | — | — |
| 总交易次数 | **次** | — | — |

---

## 三、净值曲线与关键统计

[如有条件，生成并插入净值曲线对比图]

### 分年度表现

| 年份 | 策略收益 | 基准收益 | 超额收益 |
|------|----------|----------|----------|
| 2024 | .% | .% | +.% |
| 2025 | .% | .% | +.% |
| 2026 | .% | .% | +.% |

### 最大回撤区间

- **最大回撤**：.%
- **回撤区间**：YYYY-MM-DD 至 YYYY-MM-DD（持续 个交易日）
- **恢复时间**：个交易日（若未恢复则标注"尚未恢复"）

---

## 四、过拟合风险评估

### 风险检测清单

| 检测项 | 结果 | 风险等级 |
|--------|------|----------|
| 参数数量 | [ ] 个 | 🟢/🟡/🔴 |
| 样本外表现 | [描述] | 🟢/🟡/🔴 |
| 交易频率 | [ ] 次/年 | 🟢/🟡/🔴 |
| 参数敏感性 | [描述] | 🟢/🟡/🔴 |
| 经济逻辑 | [描述] | 🟢/🟡/🔴 |
| 数据窥探 | [描述] | 🟢/🟡/🔴 |
| 幸存者偏差 | [描述] | 🟢/🟡/🔴 |

### 综合评级：🟢低风险 / 🟡中风险 / 🔴高风险

### 风险解读

[针对每一项预警项，给出具体解释和改进建议。例如：
- **参数数量**：策略使用2个自由参数（MA5、MA20周期），在安全范围内。但需注意，若后续优化中增加止损、止盈、仓位管理等参数，可能引发参数过拟合。
- **交易频率**：年化交易次数45次，处于合理区间。若超过100次/年，需警惕策略可能在拟合市场噪音。]

---

## 五、策略评价与建议

### 优势
 [列出策略的核心优势]
 [...]


 [列出策略的已知局限]
 [...]


 [给出具体可操作的改进方向]
 [...]

---

常见策略模板

模板1：双均线交叉策略

策略规则：
- 短期均线：MA_N（N=5/10/20）
- 长期均线：MA_M（M=20/60/120）
- 入场：MA_N 上穿 MA_M
- 出场：MA_N 下穿 MA_M
- 持仓：全仓或等权

模板2：动量策略

策略规则：
- 观察窗口：过去N日（N=20/60/120）
- 排序指标：区间收益率
- 买入：排名前K%的标的
- 卖出：排名后K%或持仓跌出排名
- 调仓：每月/每季度末

模板3：均值反转策略

策略规则：
- 参考基准：MA_N 或布林带
- 入场：价格跌破下轨 / 偏离均线超过X个标准差
- 出场：价格回归均线 / 触及上轨
- 止损：固定百分比或ATR倍数

模板4：突破策略

策略规则：
- 突破参考：N日最高/最低价、唐奇安通道
- 入场：收盘价突破N日高点
- 出场：收盘价跌破M日低点
- 过滤：突破时需伴随成交量放大

注意事项

1. 数据源优先：优先使用 gildata-aidata 获取行情数据，确保数据质量和一致性。
2. 参数稳健性：建议在报告中展示参数敏感性分析（如参数 ±20% 的表现变化）。
3. 基准选择：基准应与策略风险特征匹配，股票策略用沪深300，债券策略用中债综合。
4. 报告透明度：若使用模拟数据，必须在报告开头显著位置标注。
5. 迭代建议：速回测仅用于初步筛选，有潜力的策略应进入深度回测流程。