Un moteur de backtesting en Python pur utilisant NumPy pour évaluer les stratégies de trading de contrats à terme et d'actions avec des métriques de performance clés.
Installer & Télécharger
1. ClawHub CLI
Le moyen le plus rapide d'installer une compétence directement depuis le registre.
npx clawhub@latest install backtesting-framework
2. Installation manuelle
Copiez le dossier de la compétence dans l'un de ces emplacements
~/.openclaw/skills/ <project>/skills/ Priorité : Espace de travail > Local > Intégré
3. Installation du prompt
Copiez ce prompt dans OpenClaw pour l'installer automatiquement.
Aide-moi à installer backtesting-framework via Clawhub. Si Clawhub n'est pas installé, installe-le d'abord (npm i -g clawhub).
Vous préférez télécharger ?
Obtenez les fichiers bruts de la compétence dans une archive ZIP.
Qu'est-ce que Framework de Backtesting ?
Le Backtesting Framework est un outil Python léger et sans dépendance, conçu pour les traders algorithmiques afin de valider des stratégies de trading quantitatif. Fonctionnant entièrement avec des structures Python standard et NumPy, il élimine la lourdeur des bibliothèques de trading traditionnelles tout en préservant les performances.
En alimentant le moteur avec des tableaux de prix de clôture historiques et des matrices de signaux, les développeurs peuvent simuler rapidement des stratégies de gestion d'actifs pour les marchés d'actions et de contrats à terme. Le framework abstrait les calculs mathématiques pour les métriques de risque essentielles, aidant les utilisateurs à affiner leur logique avant de déployer du capital réel.
Cas d'utilisation de Framework de Backtesting
- Validation de stratégie : Testez la viabilité historique d'indicateurs standards tels que les croisements de moyennes mobiles, le Relative Strength Index (RSI) et les bandes de Bollinger.
- Profilage de la gestion des risques : Quantifiez les scénarios de drawdown les plus défavorables et évaluez les rendements des actifs ajustés à la volatilité via le Sharpe Ratio.
- Test de logique personnalisée : Prototypez des signaux quantitatifs expérimentaux en convertissant des observations de marché vectorielles en positions transactionnelles de conservation (holds), d'achat (longs) ou de vente (shorts).
Comment fonctionne Framework de Backtesting
- Ingestion des données : Les prix de clôture du marché pour les instruments d'actions ou de contrats à terme sont chargés dans un tableau NumPy unidimensionnel continu.
- Génération de signaux : Une fonction d'indicateur technique choisie évalue le tableau des prix pour construire un tableau aligné cartographiant les actions : achat (1), conservation (0) ou vente (-1).
- Vectorisation des rendements : Le moteur de backtesting décale les rendements historiques et les multiplie par les signaux de position active pour calculer la performance de la stratégie par intervalle.
- Formulation des métriques : Le moteur traite les gains mathématiques agrégés pour calculer les rendements globaux, le Sharpe Ratio, le taux de réussite et le maximum drawdown de sommet à creux.
- Compilation des rapports : Les statistiques de performance sont agrégées dans un résumé d'analyse technique proprement formaté affichant le capital simulé final.
Configuration 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
Schéma de données et taxonomie 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 | Prix de clôture historiques sur une chronologie continue. |
signals |
NumPy Array | 1 (Long), 0 (Hold), -1 (Short) |
Positions d'exposition cibles générées correspondant aux étapes de prix. |
Output Schema
When a simulation run finishes, the engine outputs a dictionary mapping performance elements:
total_return: La croissance/baisse en pourcentage absolu générée sur la série chronologique.sharpe_ratio: Métrique de performance ajustée à la volatilité par rapport au risque.win_rate: Pourcentage de périodes ayant généré des rendements financiers positifs.max_drawdown: Valeur de baisse de sommet à creux suivant le risque de capital historique.final_capital: Calcul du solde final basé sur le capital de départ initial.
Fonctionnalités avancées de Framework de Backtesting
- Zéro dépendance externe : Construit entièrement en Python pur et avec NumPy optimisé pour les vecteurs, garantissant une faible empreinte de ressources et des vitesses d'itération rapides.
- Convolutions vectorielles mathématiques : Utilise des opérations de matrice NumPy rapides (
np.convolve,np.where,np.cumprod) plutôt que des boucles de suivi itératives lentes. - Modèle d'indicateur extensible : Offre des modèles de base clairs pour construire des stratégies algorithmiques propriétaires hautement complexes au-delà des modèles par défaut standards.
SKILL.md
Chargement
Compétences Openclaw associées
Cotations des contrats à terme chinois
Un AI agent skill pour surveiller les prix en temps réel, les volumes de marché et les détails des contrats sur les principales bourses à terme chinoises.
China Options Pricing
Un ensemble d'outils analytiques pour le calcul du prix des options européennes et américaines, des Greeks et de la volatilité implicite, adapté au marché des dérivés chinois.
China Technical Analysis
Générez des indicateurs techniques de haute précision, des signaux d'achat/vente et des descriptions de tendances graphiques pour les contrats à terme sur matières premières et financiers chinois.
Google Maps Scraper (Apify)
Une compétence d'agent IA utilisant Apify pour scraper des données riches d'entreprises locales, des avis, des images et des contacts de sites web directement depuis Google Maps.
China Stock Quotes
Une compétence d'agent de codage IA pour récupérer et analyser les prix des actions A, les indices de marché et les données sectorielles en temps réel des bourses de Shanghai, Shenzhen et Pékin.
Agent OS
Agent OS est une couche de collaboration légère, basée sur les fichiers, qui permet une coordination multi-agents fluide, auditable et structurée sans dépendre d'historiques de chat lourds.
En vedette*
