Uma estrutura programática para executar estratégias de trading quantitativas em relação a dados históricos para gerar métricas de desempenho de nível profissional.
Instalar e Baixar
1. ClawHub CLI
A maneira mais rápida de instalar uma habilidade diretamente do registro.
npx clawhub@latest install einstein-research-backtest-engine-dv
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 einstein-research-backtest-engine-dv 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 Einstein Research — Backtest Engine?
O Einstein Research Backtest Engine é uma ferramenta especializada dentro do ecossistema Openclaw Skills, projetada para a execução rigorosa de estratégias de trading quantitativas. Ao contrário de guias focados em metodologia, este motor foi construído para a ação, permitindo que desenvolvedores e traders processem dados históricos de preços de fontes como yfinance ou arquivos CSV locais. Ele transforma definições de estratégia legíveis por máquina em relatórios financeiros detalhados, fornecendo uma base orientada por dados para a validação da estratégia.
Ao utilizar esta habilidade, os usuários podem simular ambientes de trading complexos, incluindo modelagem de custos de transação, divisões conscientes do regime e otimização walk-forward. Ele serve como ponte entre uma ideia de trading teórica e um perfil de desempenho verificado, tornando-se um componente essencial do conjunto Openclaw Skills para o desenvolvimento de fintechs.
Casos de uso do Einstein Research — Backtest Engine
- Execução de um backtest em escala real em uma estratégia específica de momentum ou reversão à média.
- Teste da viabilidade de um arquivo strategy.yaml gerado por ferramentas automatizadas de descoberta de edge.
- Geração de métricas de desempenho padronizadas, como os índices Sharpe e Sortino, para relatórios de investidores.
- Validação de ideias de trading contra regimes de mercado históricos para identificar potenciais fraquezas.
- Otimização de sinais de entrada e saída por meio de testes fora da amostra e análise walk-forward.
Como o Einstein Research — Backtest Engine funciona
- Definição da Estratégia: O usuário fornece um arquivo strategy.yaml estruturado contendo o universo, a fonte de dados e a lógica de sinal específica.
- Aquisição de Dados: O motor busca dados históricos de preços via API yfinance ou analisa conjuntos de dados CSV locais fornecidos.
- Geração de Sinais: O sistema itera através de dados de séries temporais, aplicando lógica de entrada e saída para identificar gatilhos de negociação.
- Simulação de Trade: Um portfólio virtual executa negociações com base em sinais, contabilizando custos de transação e slippage especificados.
- Cálculo de Métricas: O motor calcula um conjunto abrangente de KPIs, incluindo CAGR, Max Drawdown e Profit Factor.
- Geração de Relatórios: Um relatório de desempenho finalizado é produzido nos formatos JSON e Markdown para análise posterior.
Configuração do Einstein Research — Backtest Engine
Para integrar este motor em seu ambiente, certifique-se de ter as ferramentas de CLI necessárias instaladas. Use os seguintes comandos para executar seu primeiro backtest usando os padrões do Openclaw Skills:
# Install the engine via your package manager
npm install -g @openclaw\/backtest-engine
# Run a backtest using a predefined strategy file
backtest-engine run --strategy-file path\/to\/strategy.yaml --costs 0.0005
Esquema de Dados e Taxonomia de Einstein Research — Backtest Engine
O Einstein Research Backtest Engine organiza sua saída em uma taxonomia de relatórios estruturada para garantir a compatibilidade com outras Openclaw Skills:
| Tipo de Arquivo | Descrição | Metadados Principais |
|---|---|---|
strategy.yaml |
Configuração de entrada | version, universe, signals, parameters |
backtest_report.md |
Resumo legível por humanos | Curva de patrimônio, tabela de KPI, retornos anuais |
trade_log.json |
Dados de execução brutos | Timestamps de entrada/saída, PnL por trade, duração |
metrics.json |
KPIs legíveis por máquina | Sharpe, Sortino, Calmar, MaxDD, CAGR |
Recursos avançados do Einstein Research — Backtest Engine
- Otimização walk-forward para evitar overfitting e garantir a robustez da estratégia.
- Divisão de dados consciente do regime para treinamento e testes fora da amostra.
- Modelagem personalizada de custos de transação para simular slippage e comissões de mercado realistas.
- Exportações em vários formatos (Markdown e JSON) para integração perfeita em pipelines de pesquisa automatizados.
- Integração direta com o gerador de edge do Openclaw Skills para descoberta e validação de estratégia de ponta a ponta.
SKILL.md
Carregamento
Habilidades relacionadas do Openclaw
Finalizando uma Branch de Desenvolvimento
Uma habilidade de fluxo de trabalho estruturado que automatiza a verificação de testes, mesclagem de branches, criação de Pull Request e limpeza de worktree para tarefas de desenvolvimento concluídas.
Resposta a Incidentes de Rede — Forense de Rede
Uma skill forense especializada para agentes de AI realizarem coleta de evidências de rede em modo somente leitura, detecção de movimento lateral e verificação de contenção em grandes fornecedores de rede.
Sora Watermark Remover
Remove automaticamente marcas d'água de vídeos do Sora 2 via API do NanoPhoto.AI usando um simples link de compartilhamento.
find-skills
Uma ferramenta de descoberta essencial para encontrar, pesquisar e instalar pacotes modulares para estender as capacidades do AI Agent.
Market Alert
O Market Alert é uma habilidade de monitoramento financeiro de alto desempenho para agentes de AI que fornece rastreamento de ações em tempo real, notificações de anomalias e análise detalhada do mercado.
Slash GraphQL
Uma integração poderosa para gerenciar backends GraphQL totalmente gerenciados e automatizar fluxos de trabalho de dados sem sobrecarga de infraestrutura.
Apresentou*
