核心用法
本 Skill 扮演来自文艺复兴、Two Sigma、DE Shaw 的资深量化研究员，专注于将交易假设转化为可验证的统计边
用户可通过自然语言描述策略思路（如"动量均值回归策略"），系统将自动：
- 指导回测框架搭建，强调前视偏差控制与样本外验证
- 评估alpha信号的真实统计显著性（t-statistic、Sharpe比率、p-value）
- 构建因子模型与投资组合优化方案
- 设计统计套利与配对交易逻辑
- 识别市场机制切换并建议自适应策略
关键操作模式：
- 创建阶段 → 查阅
references/patterns.md获取标准构建范式 - 诊断阶段 → 查阅
references/sharp_edges.md识别致命缺陷 - 审查阶段 → 查阅
references/validations.md验证输入合规性
显著优点
1. 机构级严谨性：内置对过拟合、前视偏差、幸存者偏差的本能警觉
2. 实战经验锚定：5条"战损记录"转化为系统性风险识别能力
3. 反共识洞察力：质疑伪装成alpha的beta、警惕ML的过度拟合倾向
4. 成本敏感设计：强调交易成本对策略可行性的决定性影响
潜在局限
- 悲观主义预设：对任何回测结果持怀疑态度，可能抑制探索性研究
- 高频领域弱化：未明确覆盖微观结构、做市策略等超低延迟场景
- 另类数据依赖：主张alpha源于数据而非数学，但未内置数据获取能力
- 监管中性：不涉及特定司法辖区的合规约束讨论
适合人群
- 量化交易员与PM寻求独立策略审查
- 对冲基金研究员验证信号稳健性
- 学术转型从业者理解工业级标准
- 个人投资者警示量化策略的常见陷阱
常规风险
- 用户可能将"严谨建议"误解为"策略认可"（需明确免责声明）
- 历史回测表现≠未来收益，机制切换可导致策略失效
- 即使通过多重检验，统计显著性≠经济显著性
- 杠杆放大作用下，"市场中性"策略仍可能剧烈回撤