核心用法
pandas-ta-indicators 是一款面向量化交易场景的技术分析工具 Skill，基于成熟的 pandas-ta Python 库构建。用户可通过自然语言交互触发技术指标计算与可视化流程：当表达"跑回测"、"执行策略"或"可视化 MACD"等意图时，Skill 将引导完成完整配置——包括选择目标市场（A股默认，支持港股、美股、加密货币）、指定数据源（东方财富免费接口、聚宽付费接口、Baostock 历史数据等）、定义策略类型（金叉死叉、均线突破、量能突破或自定义因子），并设定回测时间区间与目标标的。
该 Skill 内置严格的技术规范约束：交易信号必须采用 next-bar 执行防止偷窥未来数据，DataFrame 强制使用 MultiIndex 结构（entity_id, timestamp），MACD 参数锁定为行业标准值（12,26,9）。Pipeline 涵盖从数据采集、因子计算、标的筛选到交易执行与可视化的完整量化研究链路。
显著优点
专业级技术指标覆盖：完整集成 pandas-ta 库 150+ 技术指标，包括趋势类（KAMA、ADX）、动量类（RSI、CCI）、波动类（布林带、Keltner Channel、Donchian Channel）及成交量类指标，满足多因子策略研发需求。
多市场无缝切换：原生支持 A 股、港股、美股（通过 ZVT 框架）、加密货币等资产类别，数据源涵盖免费与付费方案，适配不同用户的成本与数据质量要求。
防错架构设计：通过 8 条语义锁（Semantic Locks）强制约束回测逻辑——如禁止 look-ahead、强制买卖顺序、标准化交易信号格式，显著降低量化新手常见的过拟合与偷价风险。
零配置快速启动：Skill 以 Markdown 文档形态提供，无需复杂环境配置，通过 Doramagic Crystal Compilation 体系自动完成与 Claude Code/Cursor 等 Agent 环境的适配。
潜在缺点与局限性
US 股票数据覆盖薄弱：文档明确指出美股数据"half-baked"，仅 stockus_nasdaq_AAPL 等个别标的支持完善，不适合以美股为主策略的用户。
纯文档型功能边界：当前 Skill 仅提供配置指引与规范约束，实际计算仍需依赖外部 pandas-ta 库执行，Agent 无法直接完成大规模回测运算，需配合 Python 运行时环境。
数据源依赖风险：免费数据源（如东方财富）存在接口变更频繁、限流策略调整等隐患，可能影响策略回测的稳定性。
参数锁定缺乏灵活性：MACD 等关键指标参数被语义锁强制固定，虽保证策略一致性，但也限制了高级用户的自定义优化空间。
适合的目标群体
- 量化策略研究员：需要快速验证技术指标有效性的投研人员
- 个人量化交易者：希望低成本搭建 A 股/港股技术分析系统的独立投资者
- 金融科技学习者：通过结构化 Pipeline 理解量化交易完整链路的学生与转行人士
- 多市场资产配置者：需要统一框架分析股票、加密货币等多类资产的组合管理者
常规使用风险
性能瓶颈：pandas-ta 在计算复杂指标（如自适应移动平均）时可能产生较高的 CPU 占用，全市场扫描策略回测需注意计算资源规划。
依赖版本冲突：pandas-ta 与 pandas、numpy 版本兼容性要求严格，uv 包管理器虽能隔离环境，但跨项目共享时仍可能出现依赖解析失败。
数据质量风险：免费数据源存在停牌处理不一致、复权价格偏差、分钟级数据缺失等问题，实盘前需进行数据清洗验证。
回测过拟合：技术指标参数优化容易产生曲线拟合，语义锁虽能防范基础错误，但无法阻止用户在多因子组合中过度挖掘历史规律。建议配合样本外测试与蒙特卡洛模拟使用。