今天在编写回测接口的api，例子，做回测因子的数据挖掘，感觉个人挖掘写代码太麻烦了借助ai平台，把全部系统框架的接口给ai，让ai自动去写代码分析，做研究得到结果，上次写了一个怎么样写skill的教程量化研究--怎么样快速开发量化交易skills

今天就利用具体的例子，怎么样去快速写一个skill，我把skill上线了，明天测试一些让ai自动写代码，测试组合看看结果怎么样

首先是skill.md文件的开头，研报需要定义，版本作者，描述，触发的关键词等方便ai快速的搜索


---
name: ptrade-strategy
description: |
   PTRADE 量化平台策略生成技能。根据用户需求，生成可在 PTRADE 平台运行的 Python 量化交易策略代码。
    触发关键词：PTRADE、ptrade、量化策略、量化交易、生成策略、写策略代码、双均线、网格交易、因子选股。
version: 1.1.0
metadata:
  openclaw:
    emoji: "📈"
---


---
name: xg-quant-platform
description: |
  小果量化平台（XG Quant Platform）技能。小果量化是一个专业的量化交易系统，提供完整的回测、模拟交易、社区策略分享等功能。
  
  【核心功能】
  - 📊 历史行情数据获取（股票、ETF、可转债）
  - 📈 多维度因子数据提取（技术指标、Alpha因子、动量因子等）
  - 💰 财务数据分析（资产负债表、利润表、现金流量表等）
  - 🔄 多种策略回测（定投、动量、资产配置、网格、海龟、均值方差等）
  - 🤖 模拟交易和社区策略管理
  - 📉 多标的量化分析（相关性矩阵、协方差矩阵、投资组合优化）
  - 📊 股票组合收益分析（绩效指标、夏普比率、最大回撤等）
  - ⏰ 分钟级K线数据（1/5/15/30/60分钟）
  
  【触发关键词】
  小果量化、xg_quant、量化数据、回测系统、定投回测、动量回测、资产配置、
  网格策略、海龟策略、综合动量、条件因子、排序多因子、均值方差、
  因子数据、财务数据、历史行情、ETF数据、可转债数据、K线数据、
  相关性矩阵、协方差矩阵、投资组合优化、股票分析、绩效分析、
  模拟交易、社区策略、数据API、量化分析、策略生成
  
  【作者】
  小果
  
version: 2.0.0
metadata:
  openclaw:
    emoji: "📈"
  author:
    name: "小果" 
---

# PTRADE 量化策略生成 Skill
## 概述
本 Skill 用于为 PTRADE 量化交易平台生成、修改、检查 Python 策略代码。模型应严格使用本文件中的 PTRADE 官方 API（全局函数形式），**禁止混用 QMT / 迅投 的 `security.` / `trade.` 对象式 API**。
**⚠️ 核心原则：PTRADE 使用全局函数获取行情与下单（如 `get_price()`、`order()`），不是 `security.get_bars()` / `trade.open_long()`。后者属于 QMT 平台，在 PTRADE 中会直接报 "name not defined" 错误。**
---
## 一、策略必备函数（必写）
```python
initialize(context)                          # 初始化（必写）
handle_data(context, data)                   # 行情/交易主函数（必写）
before_trading_start(context, data)          # 盘前运行
after_trading_end(context, data)             # 盘后运行
tick_data(context, data)                     # Tick 级别处理
on_order_response(context, order_list)       # 委托回调
on_trade_response(context, trade_list)       # 成交回调
```
> `handle_data` 的第二个参数 `data` 为当根 K 线数据，可不使用但建议保留签名。
---

第二部分一般都是系统的概括，功能的介绍，和需要特别注意的地方

# 小果量化平台（XG Quant Platform）
## 一、平台简介
小果量化数据API是一个基于HTTP的量化数据接口，提供股票历史数据、因子数据、财务数据以及多种量化策略回测功能。
### 主要功能
| 功能模块 | 说明 |
|---------|------|
| 📊 历史行情数据 | 获取股票、ETF、可转债的日线历史数据 |
| 📈 因子数据提取 | 数百种技术指标、Alpha因子、动量因子 |
| 💰 财务数据查询 | 资产负债表、利润表、现金流量表、估值数据 |
| 🔄 策略回测 | 定投、动量、资产配置、网格、海龟等9种策略 |
| 🤖 模拟交易 | 个人策略模拟交易和社区策略分享 |
| 📉 量化分析 | 相关性矩阵、协方差矩阵、投资组合优化 |
| 📊 组合分析 | 完整绩效指标（50+项） |

后面基本都是写怎么样使用的教程接口什么的，后面没有固定的格式

## 一、策略必备函数（必写）
```python
initialize(context)                          # 初始化（必写）
handle_data(context, data)                   # 行情/交易主函数（必写）
before_trading_start(context, data)          # 盘前运行
after_trading_end(context, data)             # 盘后运行
tick_data(context, data)                     # Tick 级别处理
on_order_response(context, order_list)       # 委托回调
on_trade_response(context, trade_list)       # 成交回调
```
> `handle_data` 的第二个参数 `data` 为当根 K 线数据，可不使用但建议保留签名。
---
## 二、生成策略工作流（模型必须遵循）
1. **澄清需求**：确认策略类型（择时 / 选股 / 套利 / 事件驱动）、标的范围、周期、风控要求。
2. **锁定 API**：只使用本文件列出的 PTRADE 全局函数；严禁 `security.xxx` / `trade.xxx` / `get_json()` 等 QMT 写法。
3. **选择 / 套用模板**：优先使用下方「策略模板」，或在其基础上修改。
4. **代码生成**：输出完整的 `initialize` + `handle_data`，参数用模块级常量定义，便于在 PTRADE 界面调整。
5. **自检**：生成的代码必须通过 `scripts/validate_strategy.py` 检查（无 QMT API、含 initialize/handle_data）。
6. **运行说明**：附 PTRADE 平台导入 / 回测 / 实盘步骤。
---
## 三、PTRADE 关键约定（必读，否则策略无法运行）
- **全局函数**：`get_price`、`get_history`、`get_positions`、`get_position`、`get_index_stocks`、`get_fundamentals`、`order` 等均为**全局函数**，直接调用，不要当成对象方法。
- **`g` 全局对象**：用 `g.xxx = yyy` 在 `initialize` 中保存自定义状态，在 `handle_data` 中读取。`g` 在 PTRADE 中已预定义。
- **`context` 对象**：`context.portfolio.cash`、`context.portfolio.total_value`、`context.portfolio.positions`、`context.blotter.current_dt`。
- **下单 `order(security, amount, limit_price=None)`**：`amount > 0` 买入，`amount < 0` 卖出；`limit_price=None` 表示市价。每笔数量须为 **100 的整数倍**（1 手 = 100 股）。
- **T+1**：A 股当日买入不可当日卖出，卖出请用 `position.enable_amount`（可用持仓）。
- **行情返回**：`get_price(..., fields=[...], count=N)` 返回 pandas DataFrame，列名为字段名；取数组用 `df["close"].values`。
- **回测撮合**：默认以开盘价成交；使用最新价需订阅实时行情。
---

一般重点是写api的使用教程，注意的地方

### 6.3 行情信息
```python
# 获取历史K线（核心API）
get_history(count, frequency, field, security_list, fq=None, include=False, fill='nan', is_dict=False)
get_price(security, start_date=None, end_date=None, frequency='1d', fields=None, fq=None, count=None, is_dict=False)
# 个股委托/成交明细
get_individual_entrust(stocks=None, data_count=50, start_pos=0, search_direction=1, is_dict=False)
get_individual_transaction(stocks=None, data_count=50, start_pos=0, search_direction=1, is_dict=False)
# Tick数据
get_tick_direction(symbols=None, query_date=0, start_pos=0, search_direction=1, data_count=50, is_dict=False)
# 板块排序
get_sort_msg(sort_type_grp=None, sort_field_name=None, sort_type=1, data_count=100)

虽然系统不一样，写法大同小异的

# ============================================================
# 完整示例71：读取个人全部模拟策略
# ============================================================
"""
参数说明：
    user: str = '小果'           - 用户名称
返回数据：
    strategies       - 策略列表（包含策略类型、名称、建立时间等）
    total            - 策略总数
"""
print("\n" + "=" * 60)
print("📊 读取个人全部模拟策略")
print("=" * 60)
result = client.get_all_moni_trader_data(
    user='小果'
)
print("模拟策略列表：")
print(f"策略总数: {result.get('total', 0)}")
strategies = result.get('strategies', [])
for i, s in enumerate(strategies, 1):
    print(f"  {i}. {s.get('策略类型')} - {s.get('策略名称')} (建立时间: {s.get('建立时间')})")
```
## 4读取个人全部社区策略
```
from xg_quant_backtrader_data.xg_quant_backtrader_data import xg_quant_backtrader_data
# 初始化客户端
client = xg_quant_backtrader_data(
    url="124.220.32.224",
    port=8888,
    user="小果",
    password="小果",
    auth_code="小果"
)
# ============================================================
# 完整示例72：读取个人全部社区策略
# ============================================================
"""
参数说明：
    user: str = '小果'           - 用户名称
返回数据：
    strategies       - 策略列表（包含策略类型、名称、建立时间等）
    total            - 策略总数
"""
print("\n" + "=" * 60)
print("📊 读取个人全部社区策略")
print("=" * 60)
result = client.get_all_moni_trader_data_sq(
    user='小果'
)
print("社区策略列表：")
print(f"策略总数: {result.get('total', 0)}")
strategies = result.get('strategies', [])
for i, s in enumerate(strategies, 1):
    print(f"  {i}. {s.get('策略类型')} - {s.get('策略名称')} (建立时间: {s.get('建立时间')})")
```

最后面的结尾基本都是依赖的例子，参数，策略参考等参考内容，官方的教程

```python
IDX_A = "000.XSHG"   # 沪深300
IDX_B = "005.XSHG"   # 中证500
LOOKBACK = 20
def initialize(context):
    g.idx = [IDX_A, IDX_B]
    set_universe(g.idx)
def _ret(sym):
    df = get_price(sym, frequency="1d", fields=["close"], count=LOOKBACK)
    c = df["close"].values.astype(float)
    return (c[-1] / c[0]) - 1
def handle_data(context, data):
    ra, rb = _ret(IDX_A), _ret(IDX_B)
    winner = IDX_A if ra >= rb else IDX_B
    for pos in get_positions():
        if pos.security != winner and pos.total_amount > 0:
            order(pos.security, -int(pos.total_amount))
    pos = get_position(winner)
    if (pos is None) or (pos.total_amount == 0):
        order(winner, 100)
        log.info("轮动买入 %s (300收益=%.2f%%, 500收益=%.2f%%)" % (winner, ra*100, rb*100))

---
## 十四、风控与最佳实践
- **必须设置股票池**：`set_universe(...)` 决定 `handle_data` 能拿到的数据范围。
- **数量取整到 100**：`order` 的 amount 必须是 100 的整数倍，否则委托会被拒。
- **T+1 卖出约束**：卖出数量不要超过 `position.enable_amount`。
- **ST / 退市过滤**：上线前用 `filter_stock_by_status(stocks, filter_type=["ST","HALT","DELISTING"])` 剔除风险标的。
- **先回测再实盘**：用 `check_strategy(strategy_path=...)` 做静态检查；在 PTRADE 回测通过后再开启实盘。
- **日志而非打印**：用 `log.info(...)` 而非 `print(...)`，便于在 PTRADE 日志面板查看。
- **全局函数陷阱**：再一次强调 —— PTRADE 没有 `security.get_bars` / `trade.open_long` / `get_json`，误用会直接运行失败。
---
## 十五、在 PTRADE 平台运行步骤
1. 打开 PTRADE → 策略研究 → 新建策略
2. 粘贴生成的代码 → 保存（Ctrl+S）
3. 回测：设置时间范围与初始资金，查看收益 / 回撤
4. 参数优化：调整模块级常量（如 SHORT_WIN / LONG_WIN）
5. 实盘：订阅实时行情，开启自动执行
---
## 十六、离线校验（新增）
仓库附带 `scripts/validate_strategy.py`，可在本地（非 PTRADE 环境）快速检查生成的策略是否误用了 QMT API：
```bash
python scripts/validate_strategy.py your_strategy.py
```
校验项：是否包含 `initialize` / `handle_data`、是否出现 `security.get_bars` / `trade.ope

PTrade量化交易skill怎么写？一篇讲透

投资顾问

编程语言

算法

后端

利用AI平台将量化交易系统框架接口整合为可自动编程的Skill，大幅提升因子挖掘与回测策略开发效率。本文以PTRADE和小果量化平台为例，详解Skill的md文件结构、API定义、触发关键词及策略生成工作流，帮助开发者快速构建定制化量化交易技能并实现自动化策略编写与测试。

数据分析

数据挖掘

数据接口

Python

2026上云采购 | AI焕新·智启新局

tcap

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

PTrade量化交易skill怎么写？一篇讲透

PTrade量化交易skill怎么写？一篇讲透

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐