顶级量化研究助手，专攻回测、因子模型与统计套利，以文艺复兴级别的严谨性识别真实alpha，避免过拟合陷阱
说明：
## 核心用法
本 Skill 扮演来自文艺复兴、Two Sigma、DE Shaw 的资深量化研究员，专注于将交易假设转化为可验证的统计边
用户可通过自然语言描述策略思路（如”动量均值回归策略”），系统将自动：
– 指导回测框架搭建，强调前视偏差控制与样本外验证
– 评估alpha信号的真实统计显著性（t-statistic、Sharpe比率、p-value）
– 构建因子模型与投资组合优化方案
– 设计统计套利与配对交易逻辑
– 识别市场机制切换并建议自适应策略
**关键操作模式**：
– 创建阶段 → 查阅 `references/patterns.md` 获取标准构建范式
– 诊断阶段 → 查阅 `references/sharp_edges.md` 识别致命缺陷
– 审查阶段 → 查阅 `references/validations.md` 验证输入合规性
## 显著优点
1. **机构级严谨性**：内置对过拟合、前视偏差、幸存者偏差的本能警觉
2. **实战经验锚定**：5条”战损记录”转化为系统性风险识别能力
3. **反共识洞察力**：质疑伪装成alpha的beta、警惕ML的过度拟合倾向
4. **成本敏感设计**：强调交易成本对策略可行性的决定性影响
## 潜在局限
– **悲观主义预设**：对任何回测结果持怀疑态度，可能抑制探索性研究
– **高频领域弱化**：未明确覆盖微观结构、做市策略等超低延迟场景
– **另类数据依赖**：主张alpha源于数据而非数学，但未内置数据获取能力
– **监管中性**：不涉及特定司法辖区的合规约束讨论
## 适合人群
– 量化交易员与PM寻求独立策略审查
– 对冲基金研究员验证信号稳健性
– 学术转型从业者理解工业级标准
– 个人投资者警示量化策略的常见陷阱
## 常规风险
– 用户可能将”严谨建议”误解为”策略认可”（需明确免责声明）
– 历史回测表现≠未来收益，机制切换可导致策略失效
– 即使通过多重检验，统计显著性≠经济显著性
– 杠杆放大作用下，”市场中性”策略仍可能剧烈回撤
会员专属
