Um mecanismo de backtesting em Python puro usando NumPy para avaliar estratégias de negociação de futuros e ações com métricas de desempenho essenciais.
Instalar e Baixar
1. ClawHub CLI
A maneira mais rápida de instalar uma habilidade diretamente do registro.
npx clawhub@latest install backtesting-framework
2. Instalação Manual
Copie a pasta da habilidade para um desses locais
~/.openclaw/skills/ <project>/skills/ Prioridade: Espaço de Trabalho > Local > Integrado
3. Instalação do Prompt
Copie este prompt para o OpenClaw para instalá-lo automaticamente.
Ajude-me a instalar o backtesting-framework usando o Clawhub. Se o Clawhub não estiver instalado, instale-o primeiro (npm i -g clawhub).
Prefere baixar?
Obtenha os arquivos originais da habilidade em um arquivo ZIP.
O que é Framework de Backtesting?
O Backtesting Framework é uma ferramenta Python leve e livre de dependências, projetada para traders algorítmicos validarem estratégias de negociação quantitativa. Operando inteiramente com estruturas padrão do Python e NumPy, ele elimina o excesso das bibliotecas de negociação pesadas tradicionais, preservando o desempenho.
Ao alimentar o mecanismo com matrizes de preços de fechamento históricos e matrizes de sinal, os desenvolvedores podem simular rapidamente estratégias de gestão de ativos para os mercados de ações e futuros. O framework abstrai os cálculos matemáticos para métricas de risco essenciais, ajudando os usuários a refinar sua lógica antes de implantar capital real.
Casos de uso do Framework de Backtesting
- Validação de Estratégia: Teste a viabilidade histórica de indicadores padrão como Cruzamentos de Média Móvel, Índice de Força Relativa (RSI) e Bandas de Bollinger.
- Perfil de Gestão de Risco: Quantifique cenários de drawdown no pior caso e avalie os retornos de ativos ajustados pela volatilidade por meio do Sharpe Ratio.
- Teste de Lógica Personalizada: Crie protótipos de sinais quantitativos experimentais convertendo observações de mercado baseadas em vetores em retenções transacionais, posições compradas (longs) ou vendidas (shorts).
Como o Framework de Backtesting funciona
- Ingestão de Dados: Os preços de fechamento de mercado para instrumentos de ações ou futuros são carregados em uma matriz NumPy unidimensional contínua.
- Geração de Sinais: Uma função de indicador técnico escolhida avalia a matriz de preços para construir uma matriz alinhada mapeando as ações: comprado (1), mantido (0) ou vendido (-1).
- Vetorização de Retorno: O mecanismo de backtesting desloca os retornos históricos e os multiplica contra os sinais de posição ativa para calcular o desempenho da estratégia por intervalo.
- Formulação de Métricas: O mecanismo processa os ganhos matemáticos agregados para calcular os retornos globais, o Sharpe Ratio, a taxa de ganho e o drawdown máximo do pico ao vale.
- Compilação de Relatórios: As estatísticas de desempenho são agregadas em um resumo de análise técnica formatado de forma limpa, mostrando o capital simulado final.
Configuração do 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 Dados e Taxonomia 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 | Preços de fechamento históricos ao longo de uma linha do tempo contínua. |
signals |
NumPy Array | 1 (Long), 0 (Hold), -1 (Short) |
Posições de exposição alvo geradas que correspondem aos passos de preço. |
Output Schema
When a simulation run finishes, the engine outputs a dictionary mapping performance elements:
total_return: O crescimento/declínio percentual absoluto gerado ao longo da série temporal.sharpe_ratio: Métrica de desempenho ajustada pela volatilidade em relação ao risco.win_rate: Porcentagem de períodos que geraram retornos financeiros positivos.max_drawdown: Valor de declínio do pico ao vale rastreando o risco de capital histórico.final_capital: Cálculo do saldo final com base na semente de financiamento inicial.
Recursos avançados do Framework de Backtesting
- Zero Dependências Externas: Construído inteiramente com Python puro e NumPy otimizado para vetores, garantindo baixo consumo de recursos e velocidades rápidas de iteração.
- Convoluções Vetoriais Matemáticas: Utiliza operações de matriz NumPy rápidas (
np.convolve,np.where,np.cumprod) em vez de loops de rastreamento iterativos lentos. - Modelo de Indicador Extensível: Oferece modelos básicos claros para a construção de estratégias algorítmicas proprietárias altamente complexas, além dos modelos padrão predefinidos.
SKILL.md
Carregamento
Habilidades relacionadas do Openclaw
Cotações de Futuros da China
Um AI agent skill para monitorar preços em tempo real, volumes de mercado e detalhes de contratos nas principais bolsas de futuros chinesas.
China Options Pricing
Um kit de ferramentas analíticas para calcular a precificação de opções europeias e americanas, Greeks e volatilidade implícita adaptado ao mercado de derivativos chinês.
China Technical Analysis
Gere indicadores técnicos de alta precisão, sinais de compra/venda e descrições de tendências de gráficos para futuros de commodities e financeiros chineses.
Google Maps Scraper (Apify)
Uma habilidade de agente de IA que utiliza Apify para extrair dados ricos de empresas locais, avaliações, imagens e contatos de sites diretamente do Google Maps.
China Stock Quotes
Uma habilidade de agente de codificação de IA para buscar e analisar preços de ações A-share, índices de mercado e dados de setor em tempo real das bolsas de Xangai, Shenzhen e Pequim.
Agent OS
O Agent OS é uma camada de colaboração leve e baseada em arquivos que permite uma coordenação multi-agente perfeita, auditável e estruturada, sem depender de históricos de chat inchados.
Apresentou*
