核心用法
本 Skill 基于 Python bt 框架提供端到端的多策略投资组合回测能力。用户通过自然语言触发意图（如 "跑 MACD 金叉回测"、"执行风险平价组合"），系统将自动完成以下流程：数据采集 → 数据存储 → 因子计算 → 标的筛选 → 交易执行 → 结果可视化。
Skill 内置 20 个典型用例，涵盖被动买入持有（UC-101）、等风险贡献组合（UC-102）、政府债券滚动策略（UC-103）等场景。用户需指定市场范围（A 股/港股/加密货币）、数据源（东方财富/聚宽/Baostock 等）、策略类型（MACD/均线/量价突破/基本面筛选）及回测时间区间，系统将生成符合语义锁规范的回测代码。
显著优点
1. 工业化回测规范：内置 8 条语义锁（Semantic Locks），强制要求先卖后买、下一 bar 执行、MultiIndex 数据结构等，从源头杜绝前视偏差和常见回测陷阱。
2. 多源数据兼容：支持东方财富（免费免登录）、聚宽（付费高质）、Baostock（免费历史长）、AKShare、QMT（券商直连）等多种数据源，覆盖 A 股、港股、加密货币市场。
3. 高级组合方法：原生支持风险平价（Risk Parity）、等风险贡献（ERC）、逆波动率加权等机构投资者常用的组合构建方法。
4. 反模式知识库：沉淀 25 条跨项目反模式（如除权因子 inf 处理、HFQ/QFQ 复权误用），帮助用户避开量化回测的经典陷阱。
潜在缺点与局限性
1. T3 来源可信度：发布者为个人开发者账号，非知名机构背书，生成代码需人工审查后执行。
2. US 股覆盖薄弱：文档明确提示美股数据"半成品"状态，stockus_nasdaq_AAPL 等标的覆盖稀疏，不建议用于美股实盘研究。
3. 无可执行代码：Skill 本身为纯文档型（T-MD），实际回测需依赖用户环境的 Python 3.12+ 与 uv 包管理器，对新手有一定配置门槛。
4. 证据验证率偏低：编译自 blueprint 的证据验证率仅 10%，关键决策建议核对原始 YAML/JSONL 源文件。
适合的目标群体
- 量化研究员与策略开发者：需要快速验证多因子组合策略的历史表现
- 资产管理机构投研人员：需要风险平价、ERC 等组合方法的标准化实现
- 高校金融工程师生：学习回测框架设计、理解前视偏差与执行细节
- 具备 Python 基础的投资者：希望自建回测系统，避免从零踩坑
使用风险
1. 执行风险：生成代码可能涉及 os.system 或券商 API 调用，建议在容器/虚拟环境中首次运行，禁止直接使用生产交易凭证。
2. 数据质量风险：第三方数据接口超限后异常可能被静默吞噬，需显式检查数据完整性；除权复权类型混淆将导致因子计算漂移。
3. 模型风险：回测表现不代表未来收益，过度拟合历史数据的策略在实盘可能失效。
4. 合规风险：涉及数据收集时需确认数据源授权，加密货币回测需注意地区监管政策。