技能库 1355 个

处理缺失值、异常值、中性化、标准化等数据预处理

分析因子IC随时间衰减情况，确定调仓频率

自动生成因子绩效报告，包含IC、分层收益、换手率等核心指标，用于量化因子研究员评估因子表现

使用线性回归或加权方法组合多因子，生成综合因子，以优化量化交易策略

计算因子值与未来收益的Rank IC、Normal IC及IR，评估因子预测能力

使用Python搭建多因子回测系统，含滑点、手续费等细节

计算因子间相关性，识别并剔除冗余因子，优化因子组合

对因子进行行业和市值中性化处理，消除风格暴露，确保因子纯净性

基于新闻、社交媒体等非结构化文本，通过情感分析提取情绪因子，生成量化交易信号与建议。

融合多个交易信号源，通过优化算法分配权重，输出综合交易信号，提升量化策略稳健性

自动识别常见K线形态（如锤子线、吞没形态），输出交易信号及概率评估，辅助量化交易决策

实时检测跨交易所价差、期货现货基差等套利机会，辅助交易决策

基于历史价格数据计算MACD、RSI、布林带等常用技术指标，并生成明确的买卖信号，辅助交易决策。

分析订单簿的买卖盘深度、价差、挂单量分布，生成流动性评估，辅助交易决策

对交易策略进行历史回测，生成包含收益率、最大回撤、夏普比率的专业报告

识别价格或成交量中的异常波动，预警潜在风险事件，适用于量化交易与金融科技场景。

对比量化回测模拟结果与实盘交易数据，定位并解释滑点、冲击成本、手续费等差异原因，优化策略参数与执行模型。

基于行情数据计算技术因子（如RSI、布林带）并生成机器学习特征，适用于量化回测平台中的因子计算与特征工程任务。

通过向量化、并行计算和Cython等技术，加速量化回测执行，高效处理百万级数据行。

检测数据缺失、异常跳空、复权错误，并自动修复或标记。

配置并运行回测任务，支持多标的、多周期、滑点与手续费设置，适用于量化策略验证与迭代。

自动计算夏普比率、最大回撤、胜率等核心绩效指标，并生成结构化PDF/HTML报告，提升量化策略评估效率与可追溯性。

从交易所API、CSV或数据库抽取行情数据，清洗并存储为统一格式，供量化回测平台使用

将策略描述（如均线交叉、统计套利）转化为可执行的Python/Java代码，用于量化回测或实盘交易。