--- slug: "trading-strategy-guide" name: "trading-strategy-guide" version: "1.1.1" displayName: "指南" summary: "提供交易策略分析与决策支持的AI技能。Provide AI-powered trading strategy analysis and decision support. Analyze m" summary_zh: "提供交易策略分析与决策支持的AI技能。Provide AI-powered trading strategy analysis and decision support. Analyze m" license: "MIT" description: |- Provide AI-powered trading strategy analysis and decision support. Analyze market trends, evaluate trading signals, and generate strategy recommendations. 自动分析市场趋势与交易信号,生成策略建议,提供专业的风险管理能力 tags: - Other - agent - llm - 交易 - 策略 - 分析 - 风险 tools: - read - write - exec homepage: "" category: "Creative" --- # Trade With Taro ## 核心能力 ### 一、交易策略分析 - **趋势跟踪策略**: 基于移动平均线(MA/EMA)交叉、MACD金叉死叉、ADX趋势强度指标判断趋势方向,生成买入/卖出信号 - **均值回归策略**: 基于布林带(Bollinger Bands)、RSI超买超卖、Z-Score偏离度识别价格回归机会,适合震荡市场 - **动量策略**: 基于价格动量指标(ROC/MOM)、相对强度排名(RS)筛选强势标的,追涨杀跌 - **突破策略**: 基于支撑阻力位、价格通道(Donchian)、成交量突破识别关键价位突破信号 ### 二、市场趋势研判 - **技术指标分析**: 综合MA/EMA/MACD/RSI/KDJ/布林带等多维度技术指标,输出趋势判断与信号强度 - **K线形态识别**: 识别常见K线形态(锤子线/十字星/吞没/启明星),结合成交量验证信号可靠性 - **多周期分析**: 结合日线/周线/月线多周期趋势一致性,过滤虚假信号,提高判断准确率 - **市场情绪指标**: 基于VIX恐慌指数、成交量比率、资金流向等指标评估市场情绪状态 ### 三、策略回测与评估 - **历史回测**: 基于历史行情数据回测策略表现,计算年化收益率、最大回撤、夏普比率等核心指标 - **参数优化**: 对策略参数(如均线周期、止损比例)进行网格搜索,输出最优参数组合与过拟合风险提示 - **绩效评估**: 输出完整绩效报告,含胜率、盈亏比、收益曲线、月度收益分布等 ### 四、风险管理 - **仓位管理**: 基于凯利公式(Kelly Criterion)或固定比例法计算最优仓位,控制单笔风险敞口 - **止损止盈设置**: 根据ATR(平均真实波幅)或支撑阻力位设置动态止损,锁定利润控制亏损 - **风险敞口评估**: 计算组合Beta、VaR(风险价值)、最大回撤等风险指标,评估整体风险水平 - **资金曲线分析**: 分析策略资金曲线的平稳度与回撤特征,识别策略失效信号 ## 快速开始 1. 确认运行环境满足依赖说明中的要求 2. 在AI Agent对话中调用本技能,提供必要的输入参数 3. 检查输出结果,根据需要进行后续处理 > 详细的输入输出格式请参考下方章节说明。 ## 适用场景 | 场景 | 输入 | 输出 | |:-----|:-----|:-----| | 策略分析 | 市场数据与交易参数 | 策略评估结果与建议 | | 趋势研判 | 历史行情与技术指标 | 趋势判断与信号提示 | | 风险评估 | 持仓与风险参数 | 风险等级与止损建议 | **不适用于**：需要人工判断的复杂决策场景 ## 使用流程 1. 确认运行环境满足依赖说明中的要求 2. 根据适用场景选择合适的使用方式 3. 执行操作并检查输出结果 4. 如遇错误，参考错误处理章节 ## 输入格式 | 参数名 | 类型 | 必填 | 说明 | |---|---|---|---| | input | string | 是 | 处理的输入数据或指令,支持文本/JSON格式,包含市场数据与交易参数 | | strategy_type | string | 否 | 策略类型: `trend`(趋势跟踪)/`mean_reversion`(均值回归)/`momentum`(动量)/`breakout`(突破) | | options | object | 否 | 附加配置选项,如回测周期、止损比例、仓位比例等 | | callback_url | string | 否 | 异步回调通知URL | ## 输出格式 ```json { "success": true, "data": { "result": "策略分析与决策支持结果", "execution_time": "1.5s", "metadata": { "version": "1.0", "processor": "trading-strategy-guide" } }, "execution_log": ["解析输入参数", "加载市场数据", "执行策略分析", "生成风险评估", "格式化输出结果"], "error": null } ``` 输出模板参考: `assets/output.json` ## 示例代码 ### 1. 双均线趋势跟踪策略回测（Python） 基于短/长期移动平均线交叉信号进行历史回测,计算核心绩效指标: ```python import pandas as pd import numpy as np def ma_crossover_backtest(df, short_window=20, long_window=50, initial_capital=100000): """双均线交叉策略回测""" # 计算移动平均线 df['MA_short'] = df['close'].rolling(window=short_window).mean() df['MA_long'] = df['close'].rolling(window=long_window).mean() # 生成交易信号: 短均线上穿长均线买入(1),下穿卖出(-1) df['signal'] = 0 df.loc[df['MA_short'] > df['MA_long'], 'signal'] = 1 df.loc[df['MA_short'] < df['MA_long'], 'signal'] = -1 df['position'] = df['signal'].shift(1).fillna(0) # 次日开盘执行 # 计算策略收益 df['daily_return'] = df['close'].pct_change() df['strategy_return'] = df['position'] * df['daily_return'] df['equity_curve'] = (1 + df['strategy_return']).cumprod() * initial_capital # 绩效指标 total_days = len(df) annual_return = (df['equity_curve'].iloc[-1] / initial_capital) ** (252 / total_days) - 1 max_drawdown = ((df['equity_curve'] / df['equity_curve'].cummax()) - 1).min() sharpe_ratio = df['strategy_return'].mean() / df['strategy_return'].std() * np.sqrt(252) win_rate = (df[df['strategy_return'] != 0]['strategy_return'] > 0).mean() return { "annual_return": f"{annual_return:.2%}", "max_drawdown": f"{max_drawdown:.2%}", "sharpe_ratio": round(sharpe_ratio, 2), "win_rate": f"{win_rate:.2%}", "final_equity": round(df['equity_curve'].iloc[-1], 2), } # 示例：对某股票日线数据进行回测 # df = pd.read_csv('stock_daily.csv', parse_dates=['date']) # result = ma_crossover_backtest(df, short_window=20, long_window=50) # print(result) # {'annual_return': '15.30%', 'max_drawdown': '-12.50%', 'sharpe_ratio': 1.05, ...} ``` ### 2. 基于ATR的动态止损设置（Python） ```python def atr_stop_loss(df, period=14, multiplier=2.0): """基于ATR设置动态止损价位""" high_low = df['high'] - df['low'] high_close = (df['high'] - df['close'].shift(1)).abs() low_close = (df['low'] - df['close'].shift(1)).abs() tr = pd.concat([high_low, high_close, low_close], axis=1).max(axis=1) atr = tr.rolling(window=period).mean() # 多头止损 = 最高价 - ATR × 倍数 df['stop_loss'] = df['high'].rolling(window=period).max() - atr * multiplier return df[['close', 'stop_loss', 'atr']] ``` ## 异常处理 | 错误场景 | 原因 | 处理方式 | |:---:|:---:|:---:| | 配置错误 | 参数缺失或格式错误 | 检查依赖说明中的配置要求 | | 运行时错误 | 运行环境不满足 | 确认运行环境符合依赖说明 | | 网络错误 | 连接超时或不可达 | ## 依赖说明 ### 运行环境 - **Agent平台**: 支持SKILL.md的任意AI Agent(Claude Code / Cursor / Codex / Gemini CLI等) - **操作系统**: Windows / macOS / Linux ### 依赖说明(补充) | 依赖项 | 类型 | 是否必需 | 获取方式 | |:------|------:|:------|:------| | LLM API | API | 必需 | 由Agent内置LLM提供 | ### 可用性分类 - **分类**: MD+EXEC() - **说明**: 基于Markdown的AI Skill, ## 常见问题 ### Q1: 如何开始使用Trade With Taro？ A: 在AI Agent对话中直接调用本技能,提供市场数据(如股票代码、历史行情)和分析目标(如趋势判断、策略回测、风险评估),技能将自动生成分析报告与策略建议。建议首次使用时先提供少量数据验证分析效果,再逐步扩展到完整回测。 ### Q2: 回测结果可靠吗?如何避免过拟合? A: 回测结果仅供参考,不构成投资建议。避免过拟合的方法:(1)使用样本外数据进行验证;(2)限制参数优化空间,避免过度调参;(3)关注策略逻辑的经济学含义而非纯数据拟合;(4)检查策略在不同市场环境下的稳定性。 ### Q3: 支持哪些市场的数据分析? A: 支持A股、港股、美股等主要市场的历史行情数据分析。需用户提供OHLCV(开盘/最高/最低/收盘/成交量)格式的行情数据,技能据此进行技术指标计算、信号生成与回测评估。 ## 已知限制 - **非投资建议**: 本技能提供的所有分析结果仅供参考与学习,不构成任何投资建议,实际交易决策需投资者自行判断并承担风险 - **历史不代表未来**: 基于历史数据回测的策略表现无法保证未来收益,市场环境变化可能导致策略失效 - **数据质量依赖**: 分析结果的准确性高度依赖输入数据的质量与完整性,缺失或错误数据将导致误导性结论 - **技术分析局限**: 技术指标与K线形态基于历史价格数据,无法预测突发事件(黑天鹅)对市场的冲击 - **不支持实时交易**: 本技能仅提供分析与建议,不连接实盘交易系统,无法执行实际买卖操作 ## 错误处理 | 错误场景(续)| 原因 | 处理方式 | |----:|:----|----:| | LLM响应超时或无响应 | 网络延迟或模型负载过高 | ，请求；确认Agent平台LLM服务正常 | | 输入内容格式不正确 | 用户输入不符合skill预期格式 | 检查输入是否符合skill使用说明中的格式要求，参考示例章节 | | 执行结果与预期不符 | 指令描述不够明确或上下文不足 | 提供更详细的指令描述，补充必要的上下文信息 | | 命令执行失败 | 运行环境不满足要求或权限不足 | 确认运行环境符合依赖说明中的要求；检查命令权限设置 |