最近和几个做量化的朋友碰面聊着聊着发现大家都在讨论同一个新东西Skill。对就是Claude Code、Codex、OpenCode这些AI编程工具里支持的那种Skill——看似一个带SKILL.md的目录实际上是把一类高频动作固化成Agent可以直接读取和执行的作业包。金融量化圈对它的热情并不是跟风而是它正好打中量化研究的老毛病流程太散、经验太隐性、换个环境结果就跑飞。这篇文章我想从实际使用者的角度把量化圈高频使用的八个金融量化Skill逐一拆开讲清楚每个Skill解决什么问题、代码结构怎么组织、容易在哪一步踩坑以及它们之间怎么互相衔接成一条完整流水线。我会尽量用我在工程里真正跑过的写法来还原细节。因为量化研究对一致性要求极高同一个因子换个人复现可能差出一大截结果Skill这种把规则、脚本、参考资料打包在一起的做法天然适合做这类事情的收敛。下面先聊底层逻辑再逐个拆Skill。1. Skill在量化场景到底解决了什么问题1.1 它不是“提示词模板”而是一套带脚本的作业规范如果只是把提示词写长一点让AI模型“好好处理数据”你会发现每次跑出来的结果都有细微差异。模型会根据上下文自由发挥上午给你删掉停牌日下午又觉得应该用零收益填充停牌日最后报告互相矛盾。Skill的差异在于它把该干什么、按什么顺序干、依据什么规则干这件事写成了一个可执行的结构。标准的Skill目录里会有SKILL.md作为说明书再配上scripts里的实际代码、references里的参考资料、assets里的样例数据。Agent拿到Skill之后不是“想象”应该怎么做而是先读规则、再跑代码、最后把结构化结果拿回来分析。量化研究需要的就是这种确定性输入同一份数据输出必须一致换一个Agent环境结果也不能漂移。1.2 当前支持Skill的运行环境与大致目录规范我接触到的几个AI编程Agent无论Claude Code、Codex、OpenCode还是Cursor目前都接受“目录SKILL.md”这种技能识别方式。虽然各家的加载路径和优先级略有差异但大体形成了共识skills/ └── factor_ic/ ├── SKILL.md # 核心说明书 ├── scripts/ │ ├── compute_ic.py # 实际计算脚本 │ └── health_check.py # 自检脚本 ├── references/ │ └── ic_explainer.md # 补充阅读材料 └── assets/ └── sample_factor_ic.csv # 样例数据用于回归验证SKILL.md不能写成长篇大论它要告诉Agent三件事什么时候调用这个技能、调用前要准备什么输入、调用后拿什么输出。至于清洗逻辑、回归公式、参数选择这种偏静态的知识全部放到references和assets里让脚本去严格执行。这样设计的好处是Agent在推理时不需要反复读取几百行背景资料上下文占用小执行力反而更强。1.3 在量化链路上的具体收益我给自己搭第一套量化Skill时最明显的体感是三个词可复现、可审计、可交接。第一可复现。传统做法里研究员把代码扔给Agent让它“看图说话”每次生成的结果都不一样。有了Skill之后同样的数据进去脚本跑完结果完全一致IC均值、分层净值、回撤数字都能对得上。第二可审计。量化策略经常要面对内部风控和外部审查Skill把每一步都留痕了谁在什么时间调用了哪个脚本、输入数据是哪一份、参数是什么全部有迹可循。第三可交接。研究员的经验不再锁在自己脑子里新人拿到这一套Skill照着SKILL.md就能把流程重跑一遍而不是追问“你当时到底怎么处理涨跌停的”。2. 8个Skill全景图一条研究流水线的模块拆解我平时维护的量化研究流程本质上是一条从数据到实盘的流水线。八个Skill并不是我随便凑出来的而是按这条流水线的关键工位拆出来的。编号Skill名称解决环节主要输入主要输出1MarketDataPrep行情数据的清洗、对齐、复权原始CSV、API返回的raw数据标准OHLCV面板、数据质量报告2FactorAlchemy因子计算与截面标准化清洗后的行情、股票池标准化因子值、因子快照3ICLab因子有效性检验因子快照、未来收益IC/ICIR/分层回测报告4BacktestForge策略回测与成本建模信号、行情、交易规则净值、持仓、成交明细5PairHunter统计套利配对筛选多标的价格序列协整配对、半衰期、交易参数6RegimeSwitch市场状态识别与仓位映射指数行情、波动率状态标签、目标仓位7RiskRadar风险监控与绩效归因持仓、净值、行情回撤/VaR/集中度报告8SignalBridge研究信号到实盘的标准化交付策略信号、目标持仓合规校验后的信号文件这八个技能覆盖了量化研究最通用的共同路径。数据准备是第一道工序因子构造和检验负责产生alpha回测和统计套利、市场状态识别负责验证和增强策略风险监控和信号输出负责让策略真正能跑起来。当然量化领域的细分方向很多高频、期权、另类数据各有各的特殊性但这八个模块是绝大多数团队都绕不开的“公共底座”。把Skill按流水线而不是按单点功能来组织还有个额外好处每个Skill的输出都能成为下一个Skill的输入。只要接口定义清楚你就可以把整条研究流程交给Agent去编排而不是每次都靠人肉拼接。3. 八个Skill逐一拆解核心逻辑、代码与踩坑细节3.1 Skill 1MarketDataPrep——行情接入的第一道质量闸门量化研究里有一句老话垃圾进垃圾出。这句话说一百遍都不嫌多。MarketDataPrep这个Skill的核心职责就是把不同来源的行情数据清洗成一份可以直接进入策略研究的标准面板。最基础的处理包括去重、排序、缺失值识别、非交易时段过滤、复权方式统一。我通常会在脚本里做这样几步def prepare_market_data(raw_df: pd.DataFrame, symbol: str) - dict: df raw_df.copy() df[timestamp] pd.to_datetime(df[timestamp]) df df.drop_duplicates(subsettimestamp).sort_values(timestamp) df df[df[volume] 0] # 剔除成交量接近0的停牌或无交易行 df df[df[close].notna()] df[ret] df[close].pct_change() report { symbol: symbol, rows_after_clean: len(df), null_rate: float(df[[open, high, low, close, volume]].isna().mean().mean()), date_range: [str(df[timestamp].min()), str(df[timestamp].max())], abnormal_jump_count: int((df[ret].abs() 0.2).sum()), } return {df: df, report: report}注意volume等于0的行不要简单删掉就完事。如果你做的是需要持仓跨越停牌日的回测停牌日其实应该在处理时保留并打标记否则回测里的持仓流动性风险和真实情况完全不一样。我自己的习惯是主力回测删掉停牌行压力测试里单独保留停牌标记并模拟“想卖卖不掉”的场景。另一个高频坑是复权。前复权会让历史价格动态变化后复权则保持历史价格相对稳定。如果你的因子要使用长期历史收益率比如计算过去250日动量复权方式不一致会导致因子值突变。还有时区问题跨市场数据尤其容易出现美股的交易时间在UTC时间戳上跨了日期统一转成同一时区再做日线切分很重要。3.2 Skill 2FactorAlchemy——常见因子的计算与截面处理拿到干净行情后下一件事是构造因子。FactorAlchemy这个Skill我把它设计成“因子加工厂”既包含动量、波动、换手、流动性这类价格量能因子也包含对原始因子做标准化、去极值、行业市值中性化的通用流程。截面处理是这里最容易出错的环节。很多新手直接对整个数据集做一次标准化这是错的。因子计算必须在每个横截面内独立进行也就是同一个交易日里对所有股票的这个因子值做统计处理。不能把不同日期的数据混在一起算均值标准差否则等于用了未来信息。def winsorize_series(s: pd.Series, n: float 5) - pd.Series: med s.median() mad (s - med).abs().median() scale 1.4826 * mad # 将MAD转换为标准差的无偏估计 return s.clip(med - n * scale, med n * scale) def neutralize(df: pd.DataFrame, factor_col: str, industry_col: str, cap_col: str) - pd.Series: y df[factor_col] X pd.get_dummies(df[industry_col], drop_firstTrue) X[ln_cap] np.log(df[cap_col]) X sm.add_constant(X) model sm.OLS(y, X).fit() return y - model.predict(X)去极值用MAD而不是Z-score会稳很多因为MAD本身对离群点不敏感不会被异常值带跑。中性化则要记住行业哑变量生成时一定要drop_first不然多重共线性会把回归结果搅乱。市值取对数再进回归也是常规做法直接拿市值数值进去会被大市值股票主导。做完因子快照之后记得把当时的处理参数全部记录到输出文件的元信息里。我之后排查因子异常时靠的就是这些参数还原现场。3.3 Skill 3ICLab——因子有效性的“体检中心”因子到底有没有用不能靠肉眼。ICLab这个Skill专门负责因子体检核心输出包括IC序列、ICIR、RankIC、分层组合净值和多空对冲累计收益。IC本质上就是每日横截面上因子值和未来收益的相关系数。如果因子有效IC应该稳定为正或稳定为负并且绝对值的均值不能太小。用Spearman相关系数计算RankIC会更稳健降低极端收益的影响。def daily_ic(factor_series: pd.Series, forward_ret: pd.Series) - float: df pd.concat([factor_series, forward_ret], axis1).replace([np.inf, -np.inf], np.nan).dropna() if len(df) 5: return np.nan return df.iloc[:, 0].corr(df.iloc[:, 1], methodspearman)这里有一个很关键的对齐细节第T日的因子值要和T1到T2之间的收益去计算IC而不是和T日当天的收益。因子通常在T日收盘后计算最早也只能在T1日交易所以收益窗口必须往后挪。很多刚入门的复现报告对不上数字一大半是栽在这里。ICLab的输出不能只给一张数表我习惯让它自动生成一份markdown体检报告包含IC均值、ICIR、IC大于零的占比、分5层的净值曲线描述。有了这份报告Agent才能快速判断一个因子值不值得继续投入回测时间。3.4 Skill 4BacktestForge——回测引擎的纪律比聪明更重要回测是所有量化研究里最容易被“优化”出幻觉的地方。BacktestForge这个Skill我从来不敢做得太花哨反而刻意强调纪律信号生成、成交价格、交易成本、涨跌停限制、T1限制每一项都要有明确规则。我的日频回测骨架大致长这样for trade_date in trade_dates: signals strategy.generate_signals(prev_close, datetrade_date) for sig in signals: if sig.action buy: # 用次日开盘价成交避免用到当日收盘价的未来信息 fill_price next_open.loc[trade_date, sig.symbol] position update_position(position, sig.symbol, target_weight, fill_price) nav_series.loc[trade_date] mark_to_market(position, trade_date)回测最经典的一个坑就是信号在T日收盘产生却用T日收盘价成交。这相当于你站在收盘那一刻用收盘价完成了一笔当时根本来不及执行的交易。虽然听起来很傻但在多因子模型里这个细节藏得很深尤其是复权数据稍有偏差时更不容易察觉。成本模型也不该是一个固定常数。佣金、印花税、买卖滑点要分开配置滑点最好能跟单笔成交量挂钩单子越大冲击成本越高。我通常会按乐观、中性、悲观三档参数分别回测看策略绩效对成本假设的敏感度。如果一个策略在中性成本下勉强正收益在悲观成本下迅速亏损那它在实盘里大概率也会很难受。3.5 Skill 5PairHunter——统计套利的配对筛选与协整校验统计套利是不少量化团队常年保留的一条策略线。PairHunter这个Skill的价值在于把“找配对”这件事从手工筛选变成半自动流程并且强制你遵守严谨的统计流程。筛选通常分两步。第一步用价格收益相关性粗筛大大压缩候选空间第二步对相关性高的配对做协整检验并用ADF检验残差平稳性。协整关系意味着两个价格的差或者对数价格的比长期稳定在某个均值附近偏离后会回归。def find_pairs(prices: pd.DataFrame, top_n: int 100): rets prices.pct_change().dropna() corr rets.corr() results [] for a, b in itertools.combinations(prices.columns, 2): r corr.loc[a, b] if r 0.8: _, p_value, _ coint(prices[a].dropna(), prices[b].dropna()) if p_value 0.05: results.append({pair: (a, b), corr: r, coint_p: p_value}) return sorted(results, keylambda x: x[coint_p])[:top_n]这个Skill最隐蔽的坑是“全样本筛选偏差”。如果你用全部历史数据筛出配对再拿同一段历史做回测等于是在作弊。正确姿势是滚动式筛选在每一个历史截面上只用截止当天的数据去做协整检验和参数估计然后在下一段时间外样本里测试交易逻辑。另外多重比较会让普通0.05的p值变得很松我建议把筛选阈值收紧到0.02甚至0.01。协整关系也不是永久的。我遇到过很多配对跑着跑着协整关系就失效了价差偏离阈值后不再回归。所以PairHunter还必须输出一个“协整关系有效期估计”也就是半衰期。半衰期太长的配对交易价值低资金占用太久实战意义不大。3.6 Skill 6RegimeSwitch——市场状态识别与仓位映射大部分量化策略都有“市场适应性”趋势策略在单边市里舒服均值回归策略在震荡市里舒服。如果能让策略根据市场状态自动切换仓位整体绩效会平滑不少。RegimeSwitch这个Skill就是干这件事的。我不想把状态识别搞成一堆黑箱。最简单的有效做法是先计算两个指标滚动波动率和均线斜率。波动率反映市场情绪均线斜率反映趋势方向组合之后划出追涨、震荡、防守三种状态。def regime_label(close: pd.Series, lookback: int 20) - pd.Series: ret close.pct_change() vol ret.rolling(lookback).std() ma close.rolling(lookback).mean() slope ma.pct_change(5) def decide(v, s): if s 0.01 and v 0.02: return trend_up if abs(s) 0.01 or v 0.03: return choppy return trend_down return pd.DataFrame({vol: vol, slope: slope}).apply( lambda r: decide(r[vol], r[slope]), axis1 )仓位映射规则我通常写成一个独立配置表追涨状态用基础仓位震荡状态降半仓防守状态只保留对冲或者空仓。注意状态切换一定有滞后拐点附近容易反复震荡。解决方法是给切换阈值加滞回带也就是“从动荡切换到追涨的阈值”和“从追涨切换到动荡的阈值”不要设成同一个值中间留出缓冲区。还有一点要和团队约定清楚RegimeSwitch只能改变仓位和风险预算不能改变策略本身的信号逻辑。换句话说它是对已有信号做“加权”或“开关”而不是凭空生成新信号。这样归因时才分得清楚到底是市场状态贡献了收益还是策略信号本身贡献了收益。3.7 Skill 7RiskRadar——把风险指标做成自动报告做量化的人嘴上天天聊alpha心里真正害怕的其实是回撤。RiskRadar这个Skill就是用来把风险这件事从“事后拍大腿”变成“每日常态监控”的。它需要计算的核心指标包括最大回撤、回撤持续时间、滚动夏普、历史VaR和CVaR、持仓集中度、行业暴露。下面这段代码是我用得最多的基础函数def max_drawdown(nav: pd.Series) - float: roll_max nav.cummax() drawdown nav / roll_max - 1 return drawdown.min() def cvar_from_returns(rets: pd.Series, alpha: float 0.95) - float: var rets.quantile(1 - alpha) return float(rets[rets var].mean())最容易被忽视的问题是净值频率和指标口径不一致。同一个策略用日频净值算的CVaR和用持仓快照重算出来的CVaR差异会很大因为日内波动、隔夜跳空都可能影响真实风险。所以RiskRadar最好同时消费两类输入一类是策略净值序列另一类是每日收盘后的持仓快照两者在同一个时间截面上做交叉校验。我让RiskRadar每天定时生成一份风控markdown日报内容包括当日最大回撤离预警线还有多远、持仓前五名的集中度、各行业暴露度变化。如果Agent发现某项指标突破阈值就会自动发送告警并附上归因信息。这样团队在盘后复盘时看的不是零散数据而是一份有上下文的风险报告。3.8 Skill 8SignalBridge——研究信号到实盘环境的“最后一公里”前面七个Skill解决的都是研究问题SignalBridge解决的是研究和实盘之间的衔接问题。很多团队策略回测做得不错一上实盘就各种对不上问题往往出在信号格式不统一、时间戳口径不一致、重复信号没有去抖。SignalBridge的职责很明确把策略产生的研究信号转换成一个标准化的、校验过的目标持仓文件。我常用的信号Schema长这样{ ts: 2025-06-03 09:30:00, symbol: 510300.SH, action: buy, target_weight: 0.05, confidence: 0.7, source: regimeswitch }这里有几个硬性要求。第一必须带生成时间ts而且执行侧要检查信号延迟超过阈值直接拒绝。第二target_weight是目标权重不是本次交易量执行侧根据当前持仓和目标权重的差来生成实际订单这样天然具备幂等性。第三同一标的在同一个时间窗口内重复发送信号时取最新一条并覆盖旧信号避免Agent在循环里重复下订单。我还会在SignalBridge里跑一遍前置校验字段是否齐全、权重是否在0到1之间、confidence是否在0到1之间、交易状态是否为正常可交易状态。校验不通过的信号不会进入输出的信号文件而是单独放在一个error目录里方便追查。这个设计看起来简单但真正跑起来能省掉大量实盘环境下“信号莫名被拒”的排查时间。4. 从单个Skill到自动化流水线编排与调度的几个关键设计八个Skill拆开看是八件独立工具真正有价值的是把它们编排成一条自动化研究流水线。我自己在工作目录里会这样组织research-flow/ ├── data/ │ ├── raw/ # 原始数据 │ └── cleaned/ # MarketDataPrep产出 ├── factors/ # FactorAlchemy产出的因子快照 ├── reports/ # ICLab、RiskRadar等生成的日报 ├── skills/ │ ├── skill_market_data_prep/ │ ├── skill_factor_alchemy/ │ ├── skill_ic_lab/ │ ├── skill_backtest_forge/ │ ├── skill_pair_hunter/ │ ├── skill_regime_switch/ │ ├── skill_risk_radar/ │ └── skill_signal_bridge/ └── config/ └── pipeline.yaml编排的核心是约定接口前一个Skill的输出文件必须落在后一个Skill可以直接读取的固定位置并且文件命名里带日期和版本号。比如factors/20250603_quant_momentum.parquet这种格式Agent一看就知道是哪一天、哪一批因子。这样即使中途某个环节换了脚本也不会破坏整条流水线。联动时给Agent的指令越具体越好。与其说“帮我做一遍因子分析”不如说“先用MarketDataPrep读取data/raw/下近三年的日线数据生成清洗报告到data/cleaned/然后调用FactorAlchemy计算动量和波动率因子输出到factors/再用ICLab对比这两个因子的ICIR和分层表现把报告写到reports/最后用RiskRadar基于当前持仓快照生成风险日报。”这样描述的好处是流水线清晰Agent不会自作主张改变数据处理方式。每个Skill的SKILL.md里已经把业务规则写死了Agent只需调度具体计算交给脚本错误率会大幅下降。5. 高可用量化Skill的验收清单与几个反模式Skill不是写完了放目录里就能用还得用起来才算数。我给自己定的验收标准有五条每次新建或修改一个Skill都会逐条过一遍。第一输入输出必须有硬性契约。输入文件的字段名、类型、日期格式都要在SKILL.md里写清楚并且脚本启动时做校验缺字段直接拒绝运行。第二必须带样例数据和自检脚本。assets目录里放一小份真实精简数据health_check.py跑一遍能快速确认Skill在当前环境是否可用。第三同一份输入必须产出确定性结果。固定随机种子、固定输入排序连续跑两次结果完全一致。第四SKILL.md要克制足够让Agent正确调用即可不要把专业知识全部写进去详细内容放到references里避免上下文爆炸。第五脚本权限要收敛。Skill内部的命令白名单越短越好不要给Agent随意执行任意shell命令的权限外部数据源和生成文件之间要有清晰的边界。我还遇到过两个典型的反模式。一个是“全家桶Skill”恨不得把所有因子计算都塞进一个技能里结果SKILL.md越来越长Agent反而不知道该优先执行哪些逻辑。正确的做法是拆小让每个Skill只负责一件事通过流水线去组合。另一个是“无状态Skill”每次运行都从头算全量数据不给增量更新的入口。量化数据每天都在增长一条全量重跑就会拖慢整条流水线。我现在会让每个Skill都尽量支持两个模式全量模式和增量模式增量模式只处理最新时间段的数据效率高很多。最后分享一个小经验。量化圈的AI应用最容易翻车的不是模型能力不足而是输入输出契约太随意。你给Agent的输入数据不一致输出报告自然牛头不对马嘴。Skill这套东西的价值恰恰在于它逼着你把流程的边界确定下来让AI在边界内发挥。我自己的体会是先别急着把八个Skill一次性写完挑一个你最常做的环节先做扎实比如先把MarketDataPrep做到“任何原始行情进来都能一键变标准面板”再逐步补齐其他Skill。脚手架立住了后面的工作会越做越顺。