下载数据 → 定义因子 → 配置策略 → 回测 → 评估 → 对比排名

skills/qlib-backtest/
├── SKILL.md                          # Skill 元信息 + prompt
├── README.md                         # 使用文档
├── config/
│   ├── default_config.yaml           # 默认回测参数
│   └── stock_pools.yaml              # 股票池定义（沪深300、中证500等）
├── scripts/
│   ├── data_manager.py               # 数据下载 + 缓存管理
│   ├── strategy_parser.py            # 把自然语言策略翻译成 Qlib 代码
│   ├── batch_runner.py               # 批量回测主入口
│   ├── evaluator.py                  # 绩效评估 + 排名
│   ├── report_generator.py           # 生成 Markdown/图表报告
│   └── regime_analyzer.py            # 市场状态分析（牛/熊/震荡）
├── templates/
│   ├── alpha_template.py             # 单因子策略模板
│   ├── model_template.py             # 机器学习模型模板
│   └── strategy_template.py          # 完整策略模板
├── state/
│   ├── downloaded_stocks.json        # 已下载股票列表
│   ├── strategy_library.json         # 策略库（描述 + 代码 + 参数）
│   └── backtest_results/             # 回测结果缓存
└── tests/
    └── test_sample.py                # 示例测试

请基于你对 A 股市场的理解，提出 20 个不同的量化策略思路。

要求：
- 每个策略用一句话描述核心逻辑
- 尽量覆盖不同类型的交易逻辑：
  * 技术面（动量、反转、突破、趋势跟踪）
  * 基本面（价值、成长、质量、低波动）
  * 量价关系（放量、缩量、异常波动）
  * 资金流（北向、融资融券、主力资金）
  * 事件驱动（财报、分析师评级、政策）
  * 情绪面（舆情、恐慌指数、散户情绪）
- 允许大胆、非常规的想法
- 避免重复，确保逻辑上真正不同

"5日均线金叉10日均线" 和 "10日均线金叉20日均线"
→ 同类（均线动量），只留一个

"MACD底背离买入" 和 "RSI超卖反弹"
→ 同类但逻辑不同（MACD vs RSI），保留

"北向资金连续3日净流入" 和 "融资融券余额增加"
→ 同类但数据源不同，保留

2018-2020: 训练集（策略设计 + 参数调优）
2021-2022: 验证集（第一次见这些数据，模拟实盘）
2023-2024: 测试集（最终验收）

2015 股灾期      → 看抗跌能力
2019-2021 成长牛 → 看进攻能力
2022-2024 震荡市 → 看稳定性
2024 下半年高股息 → 看风格适应性

# 不选收益最高的单一策略
# 而是选相关性低的几个人组一个队

策略 A: 趋势跟踪（牛市赚、熊市亏）
策略 B: 均值反转（震荡市赚、趋势市亏）
策略 C: 基本面质量（长期稳、爆发弱）

组合后 → A 亏的时候 B 可能赚，整体曲线更平滑

"""
职责:
- 下载 A 股日线/分钟线数据
- 管理数据缓存，避免重复下载
- 维护股票池（沪深300、中证500、自定义）
"""

import qlib
from qlib.data import D

STOCK_POOLS = {
    "hs300": "SH000300",      # 沪深300
    "zz500": "SH000905",      # 中证500
    "zz1000": "SH000852",     # 中证1000
    "custom": [...]           # 自定义列表
}

def ensure_data(stock_pool="hs300", start_date="20180101", end_date="20241231"):
    """确保指定股票池的数据已下载，未下载则自动拉取"""
    ...

def get_instruments(stock_pool="hs300"):
    """返回股票池内的股票代码列表"""
    ...

"""
职责:
- 接收自然语言策略描述
- 翻译成 Qlib 可执行的 Alpha/Model/Strategy 代码
- 生成标准化的策略配置文件
"""

# 示例：把"均线金叉"翻译成 Qlib Expression
SIMPLE_TRANSLATIONS = {
    "5日均线金叉10日均线": "($close_5/$close_10)>1",
    "MACD底背离": "($macd-$macd_signal)<0 & ($macd>$macd_1) & ($close<$close_1)",
    # ...
}

def parse_strategy(description: str) -> dict:
    """
    输入: "当5日均线突破10日均线时买入，配合成交量放大"
    输出: {
        "alpha": "($close_5/$close_10)>1 & ($volume>$volume_mean_20)",
        "model": "LGBModel",
        "strategy": "TopkDropoutStrategy"
    }
    """
    ...

"""
职责:
- 接收策略列表，批量跑回测
- 支持并行（多进程加速）
- 输出原始结果（收益率序列、持仓记录）
"""

def batch_backtest(strategies: list, stock_pool="hs300",
                   train_period=("2018-01-01","2020-12-31"),
                   valid_period=("2021-01-01","2022-12-31"),
                   test_period=("2023-01-01","2024-12-31")):
    """
    对多个策略分别跑训练/验证/测试
    返回每个策略在每个阶段的表现
    """
    ...

"""
职责:
- 计算夏普比率、回撤、胜率等指标
- 分市场状态评估（牛/熊/震荡）
- 策略间相关性分析
- 输出排名榜单
"""

def evaluate(strategy_results: dict) -> pd.DataFrame:
    """
    返回每个策略的指标矩阵：

    | 策略 | 训练夏普 | 验证夏普 | 测试夏普 | 最大回撤 | 牛市区间收益 | 熊市区间收益 | 震荡区间收益 |
    """
    ...

def rank_strategies(metrics_df: pd.DataFrame) -> pd.DataFrame:
    """综合排序，优先看验证集表现（out-of-sample）"""
    ...

"""
职责:
- 识别历史数据中的市场状态（牛市/熊市/震荡市）
- 为分状态回测提供切分点
"""

def detect_regimes(price_series, method="hmm"):
    """
    用 HMM（隐马尔可夫模型）或简单均线法识别市场状态
    返回每个日期对应的状态标签
    """
    ...

# 完整流程（发散 → 收敛）
python3 skills/qlib-backtest/scripts/full_pipeline.py   --stage all   --stock-pool hs300   --strategy-input /tmp/expert_strategies.json   --output /tmp/qlib_report.md

# 仅回测（已有策略代码）
python3 skills/qlib-backtest/scripts/batch_runner.py   --config /tmp/strategies.yaml   --output /tmp/results.json

用户: "帮我设计一套 A 股多策略组合"
  │
  ▼
[OpenClaw] 调金融专家
  │
  ├── 专家输出 20 个策略描述 → 存到 /tmp/expert_strategies.json
  │
  ▼
[OpenClaw] 调 Qlib Skill
  │
  ├── Step 1: strategy_parser 去重聚类 → 15 个策略
  ├── Step 2: data_manager 下载数据
  ├── Step 3: batch_runner 批量回测
  ├── Step 4: evaluator 评估排名
  ├── Step 5: report_generator 出报告
  │
  ▼
[OpenClaw] 把报告展示给用户
  │
  ├── 文字总结：哪个策略验证集夏普最高
  ├── 图表：收益曲线对比、回撤对比
  ├── 建议：推荐组合配置 + 风险提示

qlib >= 0.9.0
pandas >= 1.5.0
numpy >= 1.21.0
lightgbm >= 3.3.0
matplotlib >= 3.5.0
scikit-learn >= 1.0.0
sentence-transformers >= 2.0.0  # 用于策略去重

# config/stock_pools.yaml
stock_pools:
  hs300:
    name: "沪深300"
    benchmark: "SH000300"
    count: 300

  zz500:
    name: "中证500"
    benchmark: "SH000905"
    count: 500

  zz1000:
    name: "中证1000"
    benchmark: "SH000852"
    count: 1000

  active_50:
    name: "自选活跃股"
    symbols:
      - "SH600519"  # 茅台
      - "SZ000858"  # 五粮液
      - "SH601318"  # 平安
      # ...