Một công cụ backtesting Python thuần túy sử dụng NumPy để đánh giá các chiến lược giao dịch chứng khoán và hợp đồng tương lai với các chỉ số hiệu suất cốt lõi.
Cài đặt & Tải xuống
1. ClawHub CLI
Cách nhanh nhất để cài đặt kỹ năng trực tiếp từ thư viện.
npx clawhub@latest install backtesting-framework
2. Cài đặt Thủ công
Sao chép thư mục kỹ năng vào một trong những vị trí sau
~/.openclaw/skills/ <project>/skills/ Ưu tiên: Không gian làm việc > Cục bộ > Gói sẵn
3. Cài đặt Prompt
Sao chép prompt này vào OpenClaw để tự động cài đặt.
Giúp tôi cài đặt backtesting-framework bằng Clawhub. Nếu Clawhub chưa
Bạn muốn tải xuống?
Nhận các tệp kỹ năng gốc dưới dạng lưu trữ ZIP.
Backtesting Framework là gì?
Backtesting Framework là một công cụ Python gọn nhẹ, không có sự phụ thuộc, được thiết kế cho các nhà giao dịch thuật toán để xác thực các chiến lược giao dịch định lượng. Hoạt động hoàn toàn với các cấu trúc Python tiêu chuẩn và NumPy, nó loại bỏ sự cồng kềnh của các thư viện giao dịch nặng nề truyền thống trong khi vẫn bảo tồn hiệu suất.
Bằng cách cung cấp cho công cụ các mảng giá đóng cửa lịch sử và ma trận tín hiệu, các nhà phát triển có thể nhanh chóng mô phỏng các chiến lược quản lý tài sản cho cả thị trường chứng khoán và hợp đồng tương lai. Framework này trừu tượng hóa các tính toán toán học cho các chỉ số rủi ro thiết yếu, giúp người dùng tinh chỉnh logic của họ trước khi triển khai vốn thực tế.
Trường hợp sử dụng Backtesting Framework
- Xác thực chiến lược: Kiểm tra tính khả thi trong lịch sử của các chỉ báo tiêu chuẩn như Đường trung bình động giao cắt (Moving Average Crossovers), Chỉ số sức mạnh tương đối (RSI), và Dải Bollinger (Bollinger Bands).
- Phân tích quản lý rủi ro: Định lượng các kịch bản sụt giảm vốn (drawdown) tồi tệ nhất và đánh giá tỷ suất sinh lời của tài sản đã điều chỉnh theo biến động thông qua Sharpe Ratio.
- Kiểm tra logic tùy chỉnh: Thử nghiệm nguyên mẫu các tín hiệu định lượng thực nghiệm bằng cách chuyển đổi các quan sát thị trường dựa trên vector thành các trạng thái nắm giữ (holds), mua (longs), hoặc bán (shorts) mang tính giao dịch.
Cách thức hoạt động của Backtesting Framework
- Tiếp nhận dữ liệu: Giá đóng cửa thị trường của các công cụ chứng khoán hoặc hợp đồng tương lai được tải vào một mảng NumPy một chiều liên tục.
- Tạo tín hiệu: Một hàm chỉ báo kỹ thuật được chọn sẽ đánh giá mảng giá để xây dựng một mảng căn chỉnh ánh xạ các hành động: mua (1), nắm giữ (0), hoặc bán (-1).
- Vector hóa lợi nhuận: Công cụ backtesting dịch chuyển các khoản lợi nhuận lịch sử và nhân chúng với các tín hiệu vị thế đang hoạt động để tính toán hiệu suất chiến lược theo từng khoảng thời gian.
- Công thức hóa chỉ số: Công cụ xử lý các khoản lợi nhuận toán học tổng hợp để tính toán tổng lợi nhuận, Sharpe Ratio, tỷ lệ thắng (win rate), và mức sụt giảm vốn tối đa từ đỉnh xuống đáy (maximum drawdown).
- Biên soạn báo cáo: Thống kê hiệu suất được tổng hợp thành một bản tóm tắt phân tích kỹ thuật được định dạng rõ ràng, hiển thị số vốn mô phỏng cuối cùng.
Cài đặt Backtesting Framework
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
Lược đồ dữ liệu & Hệ thống phân loại của Backtesting Framework
Input Requirements
The framework relies on synchronized vector dimensions for execution calculations:
| Data Object | Format | Values / Types | Description |
|---|---|---|---|
prices |
NumPy Array | Float / Int | Giá đóng cửa lịch sử trên một dòng thời gian liên tục. |
signals |
NumPy Array | 1 (Long), 0 (Hold), -1 (Short) |
Các vị thế tiếp xúc mục tiêu được tạo ra khớp với các bước giá. |
Output Schema
When a simulation run finishes, the engine outputs a dictionary mapping performance elements:
total_return: Tỷ lệ phần trăm tăng trưởng/sụt giảm tuyệt đối được tạo ra trong chuỗi thời gian.sharpe_ratio: Chỉ số hiệu suất được điều chỉnh theo biến động so với rủi ro.win_rate: Tỷ lệ phần trăm của các giai đoạn mang lại lợi nhuận tài chính tích cực.max_drawdown: Giá trị sụt giảm từ đỉnh xuống đáy theo dõi rủi ro vốn trong lịch sử.final_capital: Tính toán số dư cuối kỳ dựa trên nguồn vốn hạt giống ban đầu.
Tính năng Nâng cao của Backtesting Framework
- Không có sự phụ thuộc bên ngoài: Được xây dựng hoàn toàn bằng Python thuần túy và NumPy được tối ưu hóa theo vector, đảm bảo dấu chân tài nguyên thấp và tốc độ lặp lại nhanh chóng.
- Phép cuộn vector toán học: Sử dụng các hoạt động ma trận NumPy nhanh (
np.convolve,np.where,np.cumprod) thay vì các vòng lặp theo dõi lặp đi lặp lại chậm chạp. - Bản thiết kế chỉ báo có thể mở rộng: Cung cấp các mẫu cơ sở rõ ràng để xây dựng các chiến lược thuật toán độc quyền có độ phức tạp cao vượt ra ngoài các mô hình mặc định tiêu chuẩn.
SKILL.md
Đang tải
Các kỹ năng Openclaw liên quan
Báo giá hợp đồng tương lai Trung Quốc
Một AI agent skill để giám sát giá theo thời gian thực, khối lượng thị trường và chi tiết hợp đồng trên các sàn giao dịch tương lai lớn của Trung Quốc.
China Options Pricing
Một bộ công cụ phân tích để tính toán định giá quyền chọn kiểu Châu Âu và kiểu Mỹ, Greeks, và biến động hàm ý được thiết kế riêng cho thị trường phái sinh Trung Quốc.
China Technical Analysis
Tạo các chỉ báo kỹ thuật có độ chính xác cao, tín hiệu mua/bán và mô tả xu hướng biểu đồ cho hàng hóa và hợp đồng tương lai tài chính Trung Quốc.
Google Maps Scraper (Apify)
Một kỹ năng tác nhân AI sử dụng Apify để quét dữ liệu doanh nghiệp địa phương phong phú, đánh giá, hình ảnh và liên hệ trang web trực tiếp từ Google Maps.
China Stock Quotes
Một kỹ năng tác nhân AI lập trình để tìm nạp và phân tích giá cổ phiếu A, chỉ số thị trường và dữ liệu ngành thời gian thực từ các sàn giao dịch Thượng Hải, Thâm Quyến và Bắc Kinh.
Agent OS
Agent OS là một lớp cộng tác nhẹ, dựa trên tệp, cho phép phối hợp đa tác nhân liền mạch, có thể kiểm toán và có cấu trúc mà không cần dựa vào lịch sử trò chuyện cồng kềnh.
Đặc sắc*
