aifinlab China Backtest Expert
专为中国金融市场设计的专业级策略验证框架。不仅是回测执行工具，更是研究纪律的强制执行者和策略质量的守门员。
核心价值主张
- 研究纪律强制化 - 将机构级量化研究规范固化为自动化检查点
- 中国市场本土化 - 深度适配A股T+1、涨跌停、停牌、ST等特殊机制
- 多源数据兼容 - 支持Tushare、AkShare、JoinQuant、本地文件等多种数据源
- 结构化输出 - 不仅是文字报告，更是下游Skill可调用的质量判决
适用场景
- A股多因子策略回测前质量检查
- 期货CTA策略上线前验证
- 基金组合策略过拟合检测
- 研究所因子质量审查
- 量化私募策略门禁系统
核心检查维度
1. 假设定义与逻辑审查 (Hypothesis Validation)
检查项：
- 投资策略是否有清晰的经济逻辑
- 因子定义是否无歧义、可计算
- 信号生成逻辑是否与市场微观结构一致
- 持仓周期是否与T+1交易制度匹配
2. 数据质量与完整性 (Data Quality)
检查项：
- 数据时间范围是否覆盖完整市场周期
- 价格数据是否经过正确复权
- 是否处理停牌、退市、ST/*ST状态
- 指数成分股调整是否考虑幸存者偏差
- 财务数据发布时点是否准确（避免未来函数）
3. 交易制度合规性 (Market Regulation Compliance)
A股特殊检查：
- T+1约束: 当日买入股票是否在次日才可卖出
- 涨跌停限制: 价格是否受±10%（ST±5%，创业板±20%）限制
- 停牌处理: 停牌期间是否禁止交易
- *ST/ST过滤: 是否根据需求过滤风险警示股票
- 复权处理: 分红送转后价格是否一致
- 流动性约束: 是否设置最小成交额、换手率
成本模型：
- 买入: 佣金(万2.5) + 过户费(0.001%) + 经手费(0.00487%)
- 卖出: 佣金 + 印花税(0.1%) + 过户费 + 经手费
- 滑点: 基于成交量冲击的滑点估计
4. 统计严谨性 (Statistical Rigor)
检查项：
- 样本内/样本外划分: 是否明确区分训练期、验证期、测试期
- Walk-Forward Testing: 是否进行滚动窗口验证
- 参数稳健性: 参数微小变化是否导致结果剧烈变化
- 过拟合检测: 使用CSCV(组合对称交叉验证)检测过拟合概率
5. 未来函数与数据泄露 (Look-ahead Bias)
严格检查：
- 是否使用未来信息计算当前信号
- 是否使用全样本统计量进行标准化
- 是否正确处理财报发布时点
6. 结果质量评估 (Result Quality)
评估维度：
- 夏普比率、最大回撤、胜率/盈亏比
- 信息比率（基准选择是否合理）
- 换手率（是否考虑T+1约束）
- 策略容量估计
7. 上线前质量门禁 (Go/No-Go Gate)
PASS (通过):
- 无未来函数，样本外夏普>1.0，过拟合概率<0.5
REVISE (需修改):
- 存在轻微数据质量问题，成本模型过于乐观
REJECT (拒绝):
- 存在严重未来函数，过拟合概率>0.7，考虑成本后收益为负
快速开始
安装
# 已进入OpenClaw环境
skillhub install finskillshub/china-backtest-expert
CLI使用
# 检查本地回测结果
cd ~/.openclaw/workspace/skills/china-backtest-expert
python scripts/quality_gate.py \
--strategy-file ./examples/pe_pb_strategy.py \
--data-source tushare \
--start-date 20180101 \
--end-date 20231231 \
--market ashare \
--output-format json
# 完整质量门禁检查
python scripts/quality_gate.py \
--backtest-result ./backtest_result.csv \
--config ./examples/quality_config.yaml \
--report ./quality_report.json
Python API
from scripts.quality_gate import QualityGate
# 初始化门禁
gate = QualityGate(
market='ashare',
data_source='tushare',
cost_model='realistic',
strict_level='institution'
)
# 运行检查
result = gate.review(
strategy_code='./strategy.py',
backtest_data='./backtest_df.csv',
check_list='all'
)
# 获取判决
print(result['verdict']) # PASS | REVISE | REJECT
print(result['overall_score']) # 综合质量评分
配置示例
# quality_config.yaml
market:
type: ashare
board: main
st_filter: true
min_cap: 1e8
trading:
t1_constraint: true
price_limit: true
halt_handling: skip
commission: 0.00025
stamp_duty: 0.001
slippage_model: volume_impact
data:
adjust: post
survivors_bias: correct
quality:
oos_ratio: 0.3
walk_forward: true
cscv_trials: 16
min_sharpe: 1.0
max_drawdown: 0.25
output:
format: structured
language: zh
输入/输出规范
- 输入Schema:
schemas/input_schema.json - 输出Schema:
schemas/output_schema.json
与其他Skill的协作
# 与数据获取Skill协作
from akshare_stock import get_stock_data
from china_backtest_expert import QualityGate
# 获取数据
data = get_stock_data('600519', start='20200101', end='20231231')
# 质量检查
gate = QualityGate()
result = gate.review_data(data)
# 与策略执行Skill协作
if result['verdict'] == 'PASS':
from quant_strategy import run_backtest
backtest_result = run_backtest(strategy, data)
文档
许可
MIT License © 2026 FinSkillsHub