Quant Trading CN

核心功能与定位

本技能是一套源自印度股市（Zerodha 生态）的量化交易系统实战知识库，包含 1780 行生产级经验，通过交互式向导实现从策略生成、回测到实盘部署的完整工作流。核心交付物包括交易机器人代码生成、16 个专业领域的深度知识（技术指标、风险管理、资金复利等）以及 30+ 常见陷阱的识别与修复方案。

显著优点

1. 实战验证体系：基于真实生产环境提炼，涵盖 Tick size 四舍五入、VWAP 每日重置等细节，解决回测-实盘不一致的业界难题
2. 性能优化极致：Parquet 缓存（28.7x）、Polars 向量化（37.5x）等优化手段，将回测时间从 5 分钟压缩至 12 秒
3. 交互式体验：wizard.sh 脚本通过问答式交互降低量化入门门槛，check-code.sh 实现自动化代码审查
4. 可移植性：虽源于印度市场，但明确提供 A 股适配对照表（Zerodha→雪球/同花顺、Nifty 50→沪深 300 等）

潜在局限与风险

1. 市场迁移成本：印度市场特性（9:15-15:30 交易时段、熔断机制）与 A 股存在差异，需手动调整交易时段、结算规则等参数
2. 数据源依赖：股票池获取脚本依赖 NSE 接口，A 股用户需替换为本地数据源（如 tushare、akshare）
3. 实盘接口未封装：仅提供 Zerodha 集成知识，A 股实盘需自行对接券商 API（如中泰 XTP、恒生 UFT）
4. 策略黑箱风险：Fortress 信号声称 65% 胜率但未公开底层数学推导，存在过拟合可能

适合人群

• 有一定 Python 基础、希望从回测跨越到实盘的进阶量化爱好者
• 正在使用 Zerodha 的印度市场交易者
• A 股开发者寻求性能优化与工程化最佳实践参考

常规风险提示

⚠️ 教育性质声明明确，不提供盈利保证。量化交易涉及杠杆、滑点、系统故障等多元风险，建议仅用可承受损失资金，实盘前务必完成至少 2 年历史数据回测与 3 个月模拟盘验证。

核心用法

本 Skill 是一个纯知识文档型量化交易指南，通过交互式向导（wizard.sh）引导用户生成交易机器人、优化现有代码、获取股票池或运行回测。内置 16 个知识领域覆盖从 Zerodha 集成、信号生成到风险管理的完整交易链条，并提供 30+ 印度/A 股市场常见陷阱的详细规避方案。

显著优点

1. 实战验证的知识密度：基于 1780 行印度股市生产环境代码提炼，包含 Fortress 信号（65% 胜率）、Tick size 四舍五入、VWAP 每日重置等关键细节，直击回测-实盘不一致的核心痛点。

2. 极致性能优化：Parquet 缓存（28.7x 加速）、Polars 向量化（37.5x 加速）等基准数据可复现，总回测时间从 5 分钟压缩至 12 秒。

3. 市场适配灵活性：原生支持印度 Zerodha 生态，同时提供 A 股映射表（沪深 300/中证 500、雪球/同花顺适配），降低跨市场迁移成本。

4. 安全零依赖：纯 Markdown 文档设计，无可执行代码、零外部 API、零依赖库，六维安全扫描满分通过。

潜在缺点与局限性

• T3 来源可信度：由个人开发者维护，虽翻译自知名开源项目 skill-algotrader，但缺乏企业级背书。
• 策略黑箱风险：Fortress 信号 65% 胜率宣称缺乏第三方独立验证，用户需自行回测验证。
• A 股适配不完整：仅提供概念映射表，未包含具体的中国券商 API 集成代码（如雪球 iFinD 接口）。
• 无实时数据接入： Skill 本身不提供行情数据服务，需用户自行解决数据源（NSE/沪深交易所）。

适合人群

• 具备 Python 基础、希望从主观交易转向量化的新手
• 已使用 Zerodha（印度）或探索 A 股自动交易的个人投资者
• 需要快速诊断交易代码问题的开发者（check-code.sh 静态分析）

常规风险

⚠️ 市场风险：Skill 明确声明不提供投资建议，量化策略存在失效可能（如 2021 年 meme 股波动导致动量策略回撤）。
⚠️ 执行风险：Tick size 错误、VWAP 未重置等陷阱可导致 90% 订单拒绝或回测-实盘严重偏离。
️ 合规风险：A 股量化交易需遵守交易所异常交易监控规则，高频策略可能触发监管关注。