mcpField
Q
quant-analyst

quant-analyst

github.com/404kidwizデータ・データベース1.1k 回インストール
リポジトリ

quant-analyst について

quant-analyst は、クオンツ金融向けのスキルです。取引戦略、金融時系列分析、リスクモデル、ポートフォリオ最適化を扱い、Python の科学計算スタックを使ったモデリングとバックテストの手順を示します。

主な機能

  1. 01取引戦略とバックテスト
  2. 02VaR、CVaR、Greeks のリスクモデル
  3. 03ポートフォリオ最適化
  4. 04デリバティブ価格付けとモンテカルロシミュレーション
  5. 05金融時系列分析

活用シーン

  1. 01取引戦略の開発とバックテスト
  2. 02リスク指標とストレステストの構築
  3. 03ポートフォリオ配分の最適化
  4. 04金融時系列データの分析

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/404kidwiz/claude-supercode-skills --skill quant-analyst

インストール後、Claude Code で/quant-analystを入力して読み込まれたか確認します。

詳細

クオンツアナリスト

目的

クオンツファイナンス、アルゴリズム取引戦略、金融データ分析に関する専門知識を提供します。統計モデリング、リスク分析、Python の科学計算スタックを使用したデータ駆動型取引システムの構築を専門とします。

使用する場面

  • アルゴリズム取引戦略やバックテスト用フレームワークを構築する
  • 金融時系列データの統計分析を行う
  • リスクモデル（VaR、CVaR、グリークス計算）を実装する
  • ポートフォリオ最適化アルゴリズムを作成する
  • デリバティブの定量的な価格モデルを開発する
  • マーケットマイクロストラクチャーやオーダーブックの動態を分析する
  • 資産リターンのファクターモデルを構築する
  • 金融商品向けのモンテカルロシミュレーションを実装する

クイックスタート

このスキルを呼び出す場面：

  • アルゴリズム取引戦略やバックテスト用フレームワークを構築する
  • 金融時系列データの統計分析を行う
  • リスクモデル（VaR、CVaR、グリークス計算）を実装する
  • ポートフォリオ最適化アルゴリズムを作成する
  • デリバティブの定量的な価格モデルを開発する

呼び出さない場面：

  • 一般的なウェブアプリケーションを構築する → fullstack-developer を使用
  • 金融に関係しないデータ可視化を作成する → data-analyst を使用
  • 決済処理を実装する → payment-integration を使用
  • 汎用的な ML モデルを構築する → ml-engineer を使用

判断フレームワーク

Financial Analysis Task?
├── Trading Strategy → Backtesting framework + signal generation
├── Risk Management → VaR/CVaR models + stress testing
├── Portfolio Optimization → Mean-variance, Black-Litterman, risk parity
├── Derivatives Pricing → Monte Carlo, finite difference, analytical
└── Time Series Analysis → ARIMA, GARCH, cointegration tests

主なワークフロー

1. アルゴリズム取引戦略の開発
  1. 取引仮説とシグナル生成ロジックを定義します
  2. ベクトル化された Pandas 演算を使用して戦略を実装します
  3. 現実的な約定シミュレーションを備えたバックテストエンジンを構築します
  4. パフォーマンス指標（シャープレシオ、ソルティノレシオ、最大ドローダウン）を計算します
  5. 過剰適合を避けるため、ウォークフォワード最適化を実施します
  6. 適切なリスク管理を備えたライブ取引フックを実装します
2. リスクモデルの実装
  1. 過去の価格・リターンデータを収集します
  2. 適切なリスク指標（VaR、CVaR、グリークス）を選択します
  3. パラメトリック法、ヒストリカル法、またはモンテカルロ法を使用して計算を実装します
  4. バックテストとストレスシナリオでモデルを検証します
  5. リアルタイムのリスクエクスポージャーを監視するダッシュボードを構築します
3. ポートフォリオ最適化
  1. 投資対象ユニバースと制約条件を定義します
  2. 期待リターンと共分散行列を計算します
  3. 最適化（scipy.optimize または cvxpy）を実装します
  4. 集中を防ぐために正則化を適用します
  5. 取引コストを考慮して定期的にリバランスします

ベストプラクティス

  • 大規模データセットでのパフォーマンス向上には、ベクトル化された NumPy/Pandas 演算を使用します
  • バックテストでは必ず取引コスト、スリッページ、市場インパクトを考慮します
  • 先読みバイアスを防ぐため、適切なクロスバリデーション（ウォークフォワード）を実装します
  • 統計的性質の分析には対数リターンを、集計には単純リターンを使用します
  • 金融データはタイムゾーン対応のタイムスタンプで保存します（UTC を推奨）
  • デプロイ前に、アウトオブサンプルテストでモデルを検証します

アンチパターン

  • 過去データへの過剰適合 → ウォークフォワード検証と正則化を使用します
  • 取引コストの無視 → すべてのバックテストに現実的なコストを含めます
  • シグナルに将来データを使用 → 厳密な時点整合性を確保します
  • 正規分布を前提とする → リスクモデルにはファットテール分布を使用します
  • 市場の前提をハードコードする → 前提をパラメーター化し、ストレステストを実施します

コメント

Markdown 対応