核心用法
advanced-financial-ml 是一套面向金融机器学习领域的纯文档型指导技能，基于 MlFinLab 框架和 ZVT 量化生态构建。用户通过自然语言交互触发特定场景（UC-101 文档配置、回测执行、数据采集等），Skill 会引导完成以下标准流程：数据源选择（eastmoney、joinquant、baostock、akshare、QMT）→ 目标市场确定（A股/港股/加密货币，美股支持有限）→ 策略类型配置（MACD金叉、均线交叉、量能突破、基本面筛选或自定义因子）→ 回测参数设定（时间范围、标的ID）。核心输出为符合 SL-* 语义锁规范的代码框架与配置文件，包括 MultiIndex 格式的 DataFrame 结构、next-bar 执行约束、以及 Transformer→Accumulator 的因子流水线顺序。
显著优点
1. 金融 ML 深度专业化：内置信息驱动 bars（tick/volume/dollar/imbalance bars）和分数阶差分等前沿技术实现指导，超越传统量化框架的 OHLCV 处理。
2. 强约束安全保障：8 条语义锁（SL-01 至 SL-08）强制规范交易执行顺序、防未来函数、数据格式标准化，显著降低回测过拟合与实盘错位风险。
3. 多源数据生态兼容：覆盖中国市场的主流免费/付费数据源，灵活适配不同用户的 API 获取能力与成本预算。
4. 零代码执行风险：纯 Markdown/YAML 文档结构，无可执行代码块、无外部 API 调用、无敏感信息硬编码，运行时无注入或泄露隐患。
5. 反模式知识沉淀：集成 25 条跨项目反模式（如复权因子 inf/NaN 处理、第三方接口超限静默失败等），帮助用户规避高频量化中的隐蔽陷阱。
潜在缺点与局限性
1. 纯指导性无自动化：Skill 本身不执行任何代码，所有环境配置、依赖安装（Python 3.12+、uv、ZVT）、数据获取、策略运行均需用户手动完成，对新手有一定门槛。
2. 美股数据覆盖薄弱：文档明确指出 US stocks in ZVT are half-baked，仅存在 stockus_nasdaq_AAPL 等零星标的，不适合以美股为核心的研究场景。
3. 证据质量存疑：编译报告显示 evidence verify ratio 仅 43.7%，audit fail total 达 34，关键决策需人工核对 LATEST.yaml / LATEST.jsonl 源文件。
4. 依赖第三方数据稳定性：eastmoney 等免费接口存在频率限制与结构变更风险，Skill 虽提示 AP-ZVT-179 反模式，但无法根本解决数据供应商侧问题。
5. 参数锁定刚性：如 SL-08 强制 MACD 参数为 12/26/9，限制策略灵活性，自定义优化需绕过框架约束。
适合的目标群体
- 量化研究员与策略开发者：具备 Python 基础，需要系统学习金融 ML 高级技术（非整数阶差分、信息驱动采样）的中高级用户。
- 学术与教学场景：高校金融工程、金融科技课程中作为 MlFinLab/ZVT 框架的标准化教学辅助文档。
- 个人量化投资者：A股/港股/加密货币市场的小资金策略验证，追求低成本回测基础设施搭建。
- 对代码安全敏感的企业环境：纯文档特性使其可安全通过企业合规审查，用于内部量化方法论培训。
常规使用风险
1. 环境配置复杂度：需严格匹配 Python 3.12+ 与 uv 包管理器，ZVT 框架本身依赖较重，初次搭建可能出现版本冲突。
2. 数据凭证管理：Skill 指导配置 joinquant 等付费数据源时，用户可能误将 API 密钥硬编码，违反安全最佳实践。
3. 回测与实盘差距：尽管有语义锁约束，但用户若未正确理解 next-bar 执行逻辑或复权处理（AP-ZVT-183/183B），仍可能导致回测失真。
4. T3 来源持续维护风险：个人开发者维护的社区项目，更新频率与长期支持不确定性高于企业级产品，关键生产依赖前建议 fork 自主维护。
5. 编译质量缺陷：43.7% 的证据验证率意味着部分参考文档可能存在与最新代码不同步的情况，生产使用前需人工校验关键 API 签名。