quant-analyst

量化分析师

用途

提供量化金融、算法交易策略和金融数据分析方面的专业知识。专攻统计建模、风险分析，以及使用 Python 科学计算技术栈构建数据驱动的交易系统。

使用场景

• 构建算法交易策略或回测框架
• 对金融时间序列数据进行统计分析
• 实施风险模型（VaR、CVaR、希腊字母计算）
• 创建投资组合优化算法
• 开发衍生品量化定价模型
• 分析市场微观结构和订单簿动态
• 为资产收益构建因子模型
• 为金融工具实施蒙特卡洛模拟

快速开始

在以下情况下调用此技能：

• 构建算法交易策略或回测框架
• 对金融时间序列数据进行统计分析
• 实施风险模型（VaR、CVaR、希腊字母计算）
• 创建投资组合优化算法
• 开发衍生品量化定价模型

以下情况下不要调用：

• 构建通用 Web 应用 → 使用 fullstack-developer
• 创建不涉及金融背景的数据可视化 → 使用 data-analyst
• 实施支付处理 → 使用 payment-integration
• 构建通用机器学习模型 → 使用 ml-engineer

决策框架

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

核心工作流

1. 算法交易策略开发

1. 定义交易假设和信号生成逻辑
2. 使用向量化 Pandas 操作实现策略
3. 构建具有真实执行模拟的回测引擎
4. 计算绩效指标（夏普比率、索提诺比率、最大回撤）
5. 执行滚动优化以避免过拟合
6. 通过适当的风险控制措施实现实盘交易接口

2. 风险模型实施

1. 收集历史价格／收益数据
2. 选择合适的风险指标（VaR、CVaR、希腊字母）
3. 使用参数法、历史法或蒙特卡洛方法实现计算
4. 通过回测和压力情景验证模型
5. 构建实时风险敞口监控仪表板

3. 投资组合优化

1. 定义投资范围和约束条件
2. 计算预期收益和协方差矩阵
3. 实施优化（scipy.optimize 或 cvxpy）
4. 应用正则化以防止过度集中
5. 定期再平衡，并考虑交易成本

最佳实践

• 使用向量化 NumPy／Pandas 操作提升大型数据集的处理性能
• 回测时始终考虑交易成本、滑点和市场冲击
• 实施适当的交叉验证（滚动验证），防止前视偏差
• 统计分析使用对数收益，汇总时使用简单收益
• 使用带时区信息的时间戳存储金融数据（优先使用 UTC）
• 部署前通过样本外测试验证模型

反模式

• 对历史数据过拟合 → 使用滚动验证和正则化
• 忽略交易成本 → 在所有回测中计入实际成本
• 在信号中使用未来数据 → 确保严格遵循时点正确性
• 假设正态分布 → 风险模型应使用厚尾分布
• 将市场假设硬编码 → 将假设参数化并进行压力测试