quantskills 是什麼？
quantskills 是由 PandaAI（pandaaiquant.com） 發起的開放量化社群，把量化研究的每個環節（資料接入、因子建構、評估、回測、風控、投組優化）打包成可安裝的「Skill（技能）」，在 AI Agent（Claude Code 等）時代供人類和 AI 協作調用。
截至 2026-07 的規模：67 個 repo、55 個已收錄 Skill/Agent、400+ 個因子 Skill。
核心工具流水線（Factor Research Pipeline）
Step 1：資料層
資料來源：Pandadata（A 股行情、財務、北向資金等）
本地倉庫：DuckDB + Parquet 格式，透過 skill-pandadata-warehouse 本地快取
# 概念示意（非可執行代碼）
# skill-pandadata-api 把自然語言數據需求路由到正確的 Pandadata API
# skill-pandadata-warehouse 快取 + 增量更新，減少重複 API 調用市場特性（A 股）：
- T+1 交割（當天買進隔天才能賣，影響動能策略換手）
- 漲跌停制度（±10%，期間出現流動性枯竭，需要在回測中過濾）
- 北向資金（陸港通外資）是重要的增量資金信號
- 龍虎榜（大宗交易熱門席位）是A股特有的資金流向信號
Step 2：因子庫（Factor Library）
quantskills 提供三個大型 OHLCV 因子庫（已用真實行情驗證）：
| Skill | 因子數 | 類型 |
|---|---|---|
skill-quant-factor-volume-stat-alpha | 216 | 量能、量價、統計排序 |
skill-quant-factor-risk-pattern-alpha | 288 | 風險狀態、K線形態、波動、回撤 |
skill-quant-factor-directional-alpha | 296 | 趨勢、突破、反轉、通道位置 |
skill-factor-alpha191-alpha101 | 191+101 | WorldQuant Alpha101/Alpha191（JoinQuant 公式） |
skill-fundamental-factor-analysis | 多個 | A股基本面：EP/BP/SP/FCFP/ROE/ROA/毛利率/應計/槓桿/成長 |
特別工具：AI 挖因子
skill-factormad-debate-factor-mining：用 LLM 多智能體辯論（FactorMAD 風格），從 OHLCV 數據中挖掘新 Alpha 因子表達式，並用玩具數據自動驗證skill-doc-to-alphas：把量化論文 / 研報文字，自動生成 OHLCV Alpha 因子公式
注意：AI 挖因子需搭配嚴格的 out-of-sample 測試和過擬合檢測，見 回測陷阱。
Step 3：因子評估（Factor Evaluation）
單因子評分（skill-factor-evaluate）：
- IC（Rank IC / Pearson IC）：信號對下期回報的預測能力
- ICIR（IC / IC 標準差）：信號穩定性
- Sharpe Ratio：多空組合的風險調整後回報
- MDD（Max Drawdown）：最大回撤
- 單調性（Monotonicity）：各分組回報是否單調遞增
- 換手率（Turnover）：信號是否需要高頻交換，影響實際成本
IC 多維診斷（skill-ic-analysis）：
- 雙 IC（Rank vs Pearson）對照
- IC 衰減曲線（觀察信號有效期）
- 子樣本切片（按市場環境分層：牛熊、高低波動）
- Top 籃 Jaccard 重疊度（測量不同周期信號的穩定性）
Step 4：因子純化（Factor Orthogonalization）
skill-factor-orthogonalize：
- 逐日截面 OLS 回歸
- 控制：行業（L1 one-hot）+ 市值（log dollar vol）+ 風格（beta/volatility）
- 輸出殘差因子（行業中性、市值中性的純因子信號）
A股特有挑戰：行業分類體系（申萬行業 vs 證監會行業）、北向資金可能製造行業集中效應。
Step 5：因子衰減分析（Factor Decay）
skill-factor-decay：
- 多期限 Rank IC 衰減曲線（1d/3d/5d/10d/20d）
- 指數/幂律/雙指數擬合
- Bootstrap 半衰期置信區間（而非點估計）
- 換手衰減 + Q5-Q1 分組收益衰減
- 推薦最優再平衡頻率（實用輸出）
Step 6：多因子混合（Multi-Factor Blending）
skill-factor-blend：
- 去冗餘（相關矩陣 + Top-bucket overlap）
- 三種加權：等權 / ICIR 加權 / Score 加權
- 逐日截面 z-score 合成
- 重新評估複合因子
Step 7：回測（Backtest）
skill-backtest 的標準協議：
- T+1 開盤成交（A 股 T+1 規則）
- Top 等權持倉
- 雙邊 15bp 交易成本
- 漲跌停剔除（無法成交的流動性過濾）
- 四聯診斷圖：NAV 曲線、IC 時序、換手率、分組回報
- 5 項健康度自檢
過擬合檢測（skill-backtest-overfit）：
- PBO（Probability of Backtest Overfitting）框架
- 多重測試偏誤檢測
- Deflated Sharpe 計算
未來洩漏檢查（skill-numerical-leak-check）：
- 時間序列前瞻偏差數值驗證
- 支援批量因子或研究管線的因果性檢查
Step 8：風控與組合優化（Risk Model & Portfolio Optimization）
Barra 式風控（skill-risk-model）：
- 結構化多因子共變異數矩陣
- 風險歸因（哪些因子貢獻了組合的主要風險）
組合優化（skill-portfolio-optimize）：
- 輸入：因子分數（Alpha 信號）
- 輸出：最優持倉權重
- 支援：均值方差優化 / 風險平價 / 最小方差
- 可加入行業中性、因子暴露約束、換手率限制
FactorMAD + AI：新一代因子挖掘流程
skill-factormad-debate-factor-mining 的工作原理（概念層）：
1. 用 LLM 生成初始因子假設（從 OHLCV 特徵出發）
2. 多個 Agent（支持者 vs 懷疑者）辯論因子的合理性
3. 用玩具數據自動驗證因子公式是否可計算
4. 輸出候選因子，進入 skill-factor-evaluate 評估流程
提醒：第 4 步的評估必須用「乾淨的」out-of-sample 數據，否則就是用訓練集評估訓練集。
A 股 vs 美股的因子差異（重要）
| 面向 | A 股 | 美股 |
|---|---|---|
| 散戶佔比 | 約 70–80% 的交易量 | 機構主導 |
| T+1 交割 | 當天買進隔天才能賣 | T+2，但機構可有效日內操作 |
| 漲跌停 | ±10%（ST 股 ±5%） | 無（有熔斷機制） |
| 動能因子 | 短期動能（1–5天）較強；中長期動能比美股弱 | 中長期動能（12M-1M）較強 |
| 價值因子 | PE/PB 歷史有效，但財務信息不透明度較高 | 財報品質相對較高 |
| 量化套利限制 | 短融難度大（融券池受限）、T+1 限制 | 做空更容易 |
→ 下一篇：實務落地與風險
來源：
- quantskills GitHub（所有 Skill 說明）
- PandaAI 社群
- QuantSkills 百寶箱（飛書）
- Barra 風控模型：MSCI Barra Risk Model Handbook