Un motor de backtesting en Python puro que utiliza NumPy para evaluar estrategias de trading de futuros y acciones con métricas de rendimiento clave.
Instalar y Descargar
1. ClawHub CLI
La forma más rápida de instalar una habilidad directamente desde el registro.
npx clawhub@latest install backtesting-framework
2. Instalación manual
Copia la carpeta de la habilidad a una de estas ubicaciones
~/.openclaw/skills/ <project>/skills/ Prioridad: Espacio de trabajo > Local > Integrado
3. Instalación del prompt
Copia este prompt en OpenClaw para instalarlo automáticamente.
Ayúdame a instalar backtesting-framework usando Clawhub. Si Clawhub no está instalado, instálalo primero (npm i -g clawhub).
¿Prefieres descargar?
Obtén los archivos originales de la habilidad en un archivo ZIP.
¿Qué es Framework de Backtesting?
El Backtesting Framework es una herramienta de Python ligera y sin dependencias, diseñada para que los traders algorítmicos validen estrategias de trading cuantitativo. Al operar completamente con estructuras estándar de Python y NumPy, elimina la sobrecarga de las bibliotecas de trading pesadas tradicionales y, al mismo tiempo, preserva el rendimiento.
Al alimentar el motor con matrices de precios de cierre históricos y matrices de señales, los desarrolladores pueden simular rápidamente estrategias de gestión de activos tanto para los mercados de acciones como de futuros. El framework abstrae los cálculos matemáticos para las métricas de riesgo esenciales, lo que ayuda a los usuarios a perfeccionar su lógica antes de desplegar capital real.
Casos de uso de Framework de Backtesting
- Validación de Estrategias: Pruebe la viabilidad histórica de indicadores estándar como los cruces de medias móviles, el índice de fuerza relativa (RSI) y las bandas de Bollinger.
- Perfil de Gestión de Riesgos: Cuantifique los escenarios de drawdown en el peor de los casos y evalúe los rendimientos de los activos ajustados por volatilidad a través del Sharpe Ratio.
- Pruebas de Lógica Personalizada: Realice prototipos de señales cuantitativas experimentales convirtiendo las observaciones de mercado basadas en vectores en posiciones transaccionales de mantener, largo (long) o corto (short).
Cómo funciona Framework de Backtesting
- Ingesta de Datos: Los precios de cierre del mercado para los instrumentos de acciones o futuros se cargan en una matriz continua unidimensional de NumPy.
- Generación de Señales: Una función de indicador técnico elegida evalúa la matriz de precios para construir una matriz alineada que mapea las acciones: largo (1), mantener (0) o corto (-1).
- Vectorización de Rendimientos: El motor de backtesting desplaza los rendimientos históricos y los multiplica por las señales de posición activa para calcular el rendimiento de la estrategia por intervalo.
- Formulación de Métricas: El motor procesa las ganancias matemáticas agregadas para calcular los rendimientos globales, el Sharpe Ratio, la tasa de acierto y el drawdown máximo de pico a valle.
- Compilación de Informes: Las estadísticas de rendimiento se agregan en un resumen de análisis técnico con un formato limpio que muestra el capital simula final.
Configuración de Framework de Backtesting
Prerequisites
Ensure you have python3 and NumPy installed on your local execution machine.
Installation
To use this capability within Openclaw Skills, set up your Python environment and verify your installation:
# Verify python3 installation
python3 --version
# Ensure numpy package is present
pip install numpy
Esquema de datos y taxonomía de Framework de Backtesting
Input Requirements
The framework relies on synchronized vector dimensions for execution calculations:
| Data Object | Format | Values / Types | Description |
|---|---|---|---|
prices |
NumPy Array | Float / Int | Precios de cierre históricos a lo largo de una línea de tiempo continua. |
signals |
NumPy Array | 1 (Long), 0 (Hold), -1 (Short) |
Posiciones de exposición objetivo generadas que coinciden con los pasos de precio. |
Output Schema
When a simulation run finishes, the engine outputs a dictionary mapping performance elements:
total_return: El crecimiento/decrecimiento porcentual absoluto generado a lo largo de la serie temporal.sharpe_ratio: Métrica de rendimiento ajustada por volatilidad en relación con el riesgo.win_rate: Porcentaje de períodos que arrojaron rendimientos financieros positivos.max_drawdown: Valor de disminución de pico a valle que realiza un seguimiento del riesgo de capital histórico.final_capital: Cálculo del saldo final basado en la semilla de financiación inicial.
Funciones avanzadas de Framework de Backtesting
- Cero Dependencias Externas: Creado completamente con Python puro y NumPy optimizado para vectores, lo que garantiza un bajo consumo de recursos y velocidades de iteración rápidas.
- Convoluciones Vectoriales Matemáticas: Utiliza operaciones de matriz NumPy rápidas (
np.convolve,np.where,np.cumprod) en lugar de bucles de seguimiento iterativos lentos. - Plano de Indicadores Extensible: Ofrece plantillas base claras para construir estrategias algorítmicas propietarias altamente complejas más allá de los modelos predeterminados estándar.
SKILL.md
Cargando
Habilidades relacionadas de Openclaw
Cotizaciones de Futuros de China
Un AI agent skill para monitorear precios en tiempo real, volúmenes de mercado y detalles de contratos en las principales bolsas de futuros chinas.
China Options Pricing
Un conjunto de herramientas analíticas para calcular la fijación de precios de opciones europeas y americanas, Greeks y volatilidad implícita adaptado al mercado de derivados chino.
China Technical Analysis
Genera indicadores técnicos de alta precisión, señales de compra/venta y descripciones de tendencias de gráficos para futuros financieros y de materias primas chinos.
Google Maps Scraper (Apify)
Una habilidad de agente de IA que utiliza Apify para extraer datos ricos de negocios locales, reseñas, imágenes y contactos de sitios web directamente desde Google Maps.
China Stock Quotes
Una habilidad de agente de codificación de IA para buscar y analizar precios de acciones A-share, índices de mercado y datos sectoriales en tiempo real de las bolsas de Shanghái, Shenzhen y Pekín.
Agent OS
Agent OS es una capa de colaboración ligera y basada en archivos que permite una coordinación multi-agente fluida, auditable y estructurada sin depender de historiales de chat inflados.
Presentado*
