核心用法
本Skill是一套面向金融市场风险管理的纯文档型技术指导，专注于GARCH（广义自回归条件异方差）族波动率模型的建模与预测方法论。核心流程涵盖从数据采集、因子计算到交易执行和可视化的完整Pipeline（data_collection -> data_storage -> factor_computation -> target_selection -> trading_execution -> visualization）。
三大典型应用场景：
1. 夏普比率Bootstrap统计推断（UC-101）：通过Bootstrap方法计算夏普比率的置信区间和标准误，量化风险调整收益的不确定性；
2. SPA多重模型比较测试（UC-102）：针对500个预测模型与基准进行Superior Predictive Ability检验，识别显著优于基准的模型；
3. 油价协整分析（UC-103）：检验WTI与布伦特原油价格的协整关系，识别均值回归的套利机会。
用户需配置目标市场（A股/港股/加密货币）、数据源（东方财富、JoinQuant、Baostock等）、策略类型（MACD金叉/均线交叉/量价突破等）及回测时间范围。
显著优点
专业深度与规范性：内置8条语义锁（Semantic Locks）强制约束关键规则，如"卖单优先于买单执行"、"交易信号必须使用下一Bar执行（防止前视偏差）"、"实体ID必须遵循entity_type_exchange_code格式"等，从方法论层面杜绝常见的量化回测陷阱。
反模式防御体系：收录15条衍生品定价反模式（如"BSM远期价格忽略股息收益率"、"对数域插值传入负贴现因子"），帮助用户规避金融工程中的经典错误。
生态兼容性强：专为Doramagic-host生态（Claude Code/openclaw/Cursor）设计，支持Python 3.12+与uv包管理器，可无缝对接ZVT量化框架获取多源市场数据。
潜在缺点与局限性
纯文档型限制：本Skill无可执行代码，仅提供方法论指导、约束规则和反模式清单。用户需自行实现具体的GARCH模型拟合、Bootstrap抽样、SPA检验等计算逻辑。
证据质量警示：Skill自身声明"Evidence verify ratio = 47.2% and audit fail total = 32"，表明部分生成结果可能存在未捕获的需求缺口，关键决策需对照references/seed.yaml源文件验证。
数据源覆盖不均：美股数据标注为"half-baked"（半成品），仅stockus_nasdaq_AAPL等少数标的可用，覆盖度有限。
MACD参数锁定：语义锁SL-08强制固定MACD参数（fast=12, slow=26, signal=9），无法灵活调整，可能限制策略优化空间。
适合的目标群体
- 量化研究员与策略分析师：需要系统性了解GARCH建模流程、统计检验方法及回测规范的专业人士；
- 金融工程学生：学习波动率建模、Bootstrap推断、SPA检验等高级计量方法的配套参考资料；
- 风控合规人员：审查量化策略是否符合"无前视偏差""卖单优先"等交易规则的合规检查清单；
- 个人量化开发者：使用ZVT框架进行A股/港股/加密货币策略开发的独立交易者。
使用风险
T3来源可信度：由个人开发者发布，虽经安全扫描无可执行代码风险，但金融计算逻辑的正确性需用户自行验证，建议实盘前充分回测。
依赖项安全风险：Skill推荐搭配ZVT框架及付费数据源（JoinQuant/QMT），需在隔离环境中管理Python依赖，避免API密钥硬编码。
模型假设风险：GARCH族模型对收益率分布、波动率聚集性有特定假设，实际市场可能存在结构突变，模型失效风险需持续监控。
版本迭代关注：作为社区项目，建议关注ClawHub更新动态，新版本发布后重新审查安全状态。