让 AI 筛因子、定调仓、跑策略：QuantSkills 这 4 个项目值得收藏

现在，AI 已经能帮你把这两件事往下做了。一个 Skill 会扫参数、拆组件、看稳健性，最后落到留、改还是放弃；另一个沿着不同持有期看信号怎么变弱，估算它还能撑多久。

这两个开源 Skill 都来自 QuantSkills，代码和方法可以继续查看、修改和复用。

给已有因子做一次完整体检

skill-factor-optimize 不发明新因子，只给已有因子做体检：扫参数、拆组件、测稳健性，最后必须给出KEEP / REFINE / REJECT。

原文用 124 只 A 股的真实数据测试了 3 个因子，结果是 2 个REJECT，1 个REFINE → KEEP。过程中查出的也不是抽象问题：240 日窗口放在 3 年数据上，warm-up 太长；行业内只有 3 到 4 只股票时做 z-score，噪声会被放大；原本以为是均值回归，数据跑出来却是动量方向。

它把这套诊断拆成连续步骤：Period Sweep 不追单点最高值，而是找稳定参数区间；Ablation 逐项拆出 core、helpful、risk_control、cosmetic 和 harmful 组件；Refinement 再从 best period 和核心组件出发增强。最终报告把原始版本、最佳参数、核心版本和优化版本放在一起比较，再决定原因子该替换、保留还是继续验证。

三条红线也很明确：缺指标就报BLOCKED，不编数据；优化只生成建议，不覆盖原始因子；每份报告必须给结论。它筛掉的不只是无效因子，也可能把一个参数或组件用错、差点被放弃的因子重新找回来。

这个信号到底能管几天

skill-factor-decay 直接回答“这个因子到底能用多久”。输入因子信号，以及 1 天、3 天、5 天、10 天、20 天的 forward return，它会一次输出 IC 衰减曲线、半衰期、Bootstrap 置信区间、换手衰减、Q5-Q1 分组收益差和调仓建议。

五个持有期的 Rank IC 会被放到同一条曲线上，信号是在快速消失、缓慢衰减，还是发生了方向反转，一眼就能看出来。比如短期 IC 为负、中长期转正，可能对应短期均值回复和中长期动量；这时 Skill 会降级为分期限判断，而不是硬拟合一条指数曲线。

半衰期、拟合优度和 95% 置信区间会结构化输出。原文给出的解释很直接：半衰期短，可以重点评估日频或三日频；半衰期长，才有理由把调仓放宽到十日甚至月频。

IC 之外，Q5-Q1 spread 用来检查排序结构，换手率用来检查信号稳定性。IC 衰减快、换手又高，就要警惕噪声驱动；衰减报告通过后，因子才更适合继续进入多因子合并。对因子研究入门者，它还把该算什么、怎样解读以及下一步放在哪里一起整理好了。

让 AI 真正接上期货量化框架

SSQuant 覆盖策略编写、回测、模拟盘、实盘、数据接入和报告；agent-ssquant则把这套框架的使用方法交给 AI。原文把两者的关系概括得很直接：SSQuant 是 AI 的量化交易“手脚”，SSQuant Agent 是操作手册。

它对应的不是一个模糊的“帮我做量化”，而是一组可以直接下达的任务。比如写一个螺纹钢 60 分钟双均线策略并回测最近一年；把策略跑在 SIMNOW 上，定时检查进程、持仓、最近交易和账户权益；优化快慢均线参数，用样本内选参、样本外验证；或者测试动量、波动、量价因子，再继续做多因子截面回测。

Agent 里同时写了门禁、验收和复用标准。它要求 AI 先看源码和示例，再写策略、跑回测、查数据、出报告；完成后还要拿出命令输出、日志、报告路径或数据结果。能写出一段策略代码只是起点，真正的价值是让 AI 按量化框架的规则把任务跑完，并交付可以检查的结果。

把公开研究资料整理成一张阅读地图

skill-gao-shanwen-research-model 整理了三类公开资料：高善文老师出版或参与的书籍与版本信息、纪念站中的公开文章索引，以及从公开研究中提炼出的“现象 → 机制 → 数据验证 → 情景推演 → 证伪条件”分析流程。

当前 Skill 收录了《在周期的拐点上》《透视繁荣》《经济运行的逻辑》《经济运行的真相》等 6 部著作，以及 108 条公开文章索引。可以按刘易斯拐点、通货膨胀、资产重估、房地产、人民币汇率、影子银行或中美贸易摩擦等主题找文章，也可以整理著作阅读顺序、文章导读、读书笔记和研究 memo。

但它不是“高善文观点生成器”。不冒充高老师，不回答“高老师现在会怎么看”，不把 AI 输出包装成他的观点，也不提供受版权保护的全文。涉及当下宏观、政策或市场数据时，仍需重新检索最新来源并标明日期。

这项 Skill 最值得保留的，正是它没有让 AI 替高老师发言，而是把读者带回公开著作、文章和研究方法：先把事实看清楚，再把机制想明白；先承认证据边界，再提出可以验证的判断。

推荐把 QuantSkills 留作一个量化能力入口

上面四项能力并不在同一个研究环节，但它们有一个共同点：不是泛泛地告诉你“AI 可以做量化”，而是把一项具体工作整理成 AI 可以调用、研究者可以查看、开发者可以继续修改和复用的开源能力。

QuantSkills 是一个聚焦 Quant Skills 和 Agents 的开放量化社区。现在社区里已经能看到因子研究、数据处理、策略工程、研报复现、市场监控和报告生成等不同方向的项目。官网负责发现和查看这些能力，GitHub 则保留仓库、代码、说明、许可证和社区资产索引。

对使用者来说，最合适的打开方式不是一次翻完所有项目，而是从自己正在做的研究动作出发：

• 手里有因子，就先找诊断、衰减和组合相关能力；

• 正在写期货策略，就看对应框架和 Agent；

• 经常整理研报、论文或公开研究资料，也可以直接找复现和资料整理入口。

对开发者来说，自己的研究方法、因子模型、策略代码或工作流，也可以继续整理成可检索、可分享的 Skill 或 Agent，进入社区共同维护。

量化研究里有大量工作会被反复执行。把这些动作沉淀成开源 Skill，价值不只在于少写一次代码，更在于方法、输入、输出和验证边界都能被保留下来，下一次可以直接接着用。

本文仅用于介绍开源量化研究工具与工作流，不构成投资建议。仓库的安装要求、运行状态、许可证和验证等级，请以各项目当前公开说明为准。