搜索结果: "量化"

⚡

数据验证Skill data-validate

4.5

这个技能用于在分享分析前验证其方法论、准确性和潜在偏见,包括数据选择、统计错误检查和置信度评估,生成改进建议,适用于数据科学、量化金融和商业智能领域,关键词包括分析验证、方法论检查、准确性评估、偏见检测、置信度评分、SEO优化。

⚡

公司事件驱动分析Skill 公司事件驱动分析

4.5

一套量化交易策略框架,聚焦于公司层面重大事件(如并购套利、大股东增减持、股权激励、定增配股、ST退市预警等)的量化分析与信号提取,帮助投资者构建事件驱动型股票投资策略,实现超额收益。

⚡

智能招聘计分卡Skill afrexai-hiring-scorecard

4.5

智能招聘计分卡是一款基于AI的招聘评估工具,通过设定加权评分标准(如技术技能、相关经验、文化契合度等),帮助招聘者客观、量化地评分和比较候选人,消除主观偏见,提供数据驱动的录用建议。关键词:招聘评估,候选人评分,量化招聘,AI招聘工具,加权计分卡,招聘决策支持,人才筛选,面试评分。

⚡

TOPSIS多准则决策排序器Skill topsis-ranker

4.5

TOPSIS多准则决策排序器是一种基于理想解相似度的量化分析工具,用于在多个备选方案中根据多项评价准则进行科学排序。该技能通过计算各方案与理想解和反理想解的几何距离,得出相对贴近度系数,从而提供客观、直观的排名结果。适用于投资决策、项目评估、技术选型、市场分析等场景。关键词:TOPSIS,多准则决策分析,量化排序,理想解,决策矩阵,权重分析,敏感性分析,MCDA,量化金融,商业智能。

⚡

数据分析Skill data-analysis

4.5

这个技能用于使用DuckDB分析用户上传的Excel和CSV文件,支持数据探索、SQL查询、统计汇总和结果导出,适用于数据科学和商业智能场景。关键词:数据分析、Excel处理、CSV解析、SQL查询、统计摘要、DuckDB、数据工程、商业智能、量化金融。

⚡

扩展信号模式Skill extend-signal-schema

4.5

扩展信号模式技能是AFI核心框架中用于安全扩展和优化信号数据模式的工具。该技能专注于在量化金融交易系统中,为原始、丰富、分析和评分信号添加新字段或验证规则,确保变更的向后兼容性、遵循设计原则并保持验证确定性。适用于量化策略开发、数据工程、金融科技系统架构和AI智能体开发场景。

⚡

Bankr代理工作流程Skill BankrAgent-JobWorkflow

4.5

这个技能用于通过异步作业模式执行 Bankr API 操作,包括提交提示、轮询状态和完成作业。适用于金融交易、市场分析和数据查询,基于提交-轮询-完成的工作流程。关键词:Bankr API, 异步作业, 工作流程, MCP工具, 量化交易, 数字货币交易

⚡

SMC回测代理技能Skill smc-harness

4.5

SMC回测代理技能是一个基于ICT/Smart Money Concepts交易方法的量化交易系统,专门用于Alpha Harness回测模拟环境。该技能提供完整的交易决策框架,包括多时间框架分析、交易设置识别、风险管理和自动化交易执行。适用于BTC/USDT交易对的算法交易回测,帮助交易者验证SMC策略的有效性,优化交易参数,并实现模拟环境中的自主交易决策。关键词:量化交易,回测系统,算法交易,ICT交易,Smart Money Concepts,BTC交易,自动化交易,风险管理,交易策略,模拟交易

⚡

投资想法生成Skill 投资想法生成

4.5

系统化选股和投资想法发掘,结合量化筛选、主题研究和模式识别,挖掘多头或空头机会,适用于寻找新标的、跑筛选器和做主题扫描。

⚡

风险度量计算Skill risk-metrics-calculation

4.5

这个技能用于计算投资组合的风险度量,包括价值在险(VaR)、条件在险(CVaR)、夏普比率、索提诺比率和回撤分析。适用于风险测量、实施风险限制、构建风险监控系统、计算风险调整收益、设置仓位大小和监管报告。关键词:风险度量,投资组合管理,VaR,CVaR,夏普比率,回撤分析,压力测试,量化金融。

⚡

市场提醒助手Skill alerts

4.5

市场提醒助手是一款专业的预测市场价格监控工具,支持设置多种智能提醒规则,包括价格阈值突破、百分比变动、交易量异常、大额交易监测等功能。帮助投资者实时追踪市场动态,及时获取关键行情变化通知,适用于量化交易、风险管理和投资决策场景。关键词:价格提醒、市场监控、量化交易、预测市场、交易提醒、风险管理、投资工具、实时通知。

⚡

SHAP模型可解释性分析Skill shap

4.5

此技能用于机器学习模型的可解释性分析,通过SHAP值解释模型预测、计算特征重要性、生成可视化图表,帮助用户理解模型行为、调试模型、分析公平性,并实现可解释AI。关键词:SHAP、机器学习、可解释性、特征重要性、模型解释、AI解释性、数据科学、人工智能、量化交易、风险评估。