前言¶
做量化投研時，常見的重複勞動是：寫一段因子 IC 計算，再寫分層回測，再接組合優化，最後把結果拼成 HTML 報告。這些步驟邏輯不算複雜，但分散在多個腳本里，參數和口徑容易不一致，報告樣式也難統一。
下面介紹的量化投研助手，就是把這些步驟收攏到一個通用 SKILL.md 格式的 Skill 裏。它定位是投研流程的自動化助手：從因子檢驗到組合構建，再到 HTML 績效報告，儘量用同一套口徑跑完。
這是什麼¶
量化投研助手是一個面向量化分析場景的 Agent Skill，覆蓋因子研究、回測和組合優化，並輸出 HTML 績效報告。
它由 SkillHub 社區發佈者 user_053d27d0 維護，座標是 @user_053d27d0/quant-research-assistant，版本 1.0.0，來源爲 community，分類爲 professional。官方地址是 https://api.skillhub.cn/user_053d27d0/quant-research-assistant 。
它解決的痛點是：把投研裏多個環節的命令和口徑固定下來，減少重複編寫腳本的成本，並讓結果以 HTML 報告形式呈現。
核心功能¶
根據官方簡介，這個 Skill 包含以下能力：
- 因子 IC 測試：檢驗因子值與未來收益的相關性，用於判斷因子有效性。
- 分層回測：按因子值分組構建組合，觀察各層收益表現。
- MA 均線交叉回測：基於移動平均線信號做擇時回測。
- 組合優化：支持 Markowitz 均值方差優化和 Risk Parity 風險平價兩種方法。
- HTML 績效報告：把回測與組合結果整理成 HTML 報告。
官方說明中，觸發場景是用戶提出量化分析、因子研究、回測或組合構建需求時。
安裝與啓用¶
資料中沒有給出明確的安裝命令，也沒有 Cursor、Codex CLI、Claude Code 的差異說明，因此這裏不臆造命令。可以確認的事實是：該 Skill 的來源標記爲 community，標籤包含 requires_api_key=false，說明按 SkillHub 通用 SKILL.md 格式使用，不需要額外 API Key。
啓用方式以官方頁面爲準，建議先打開官方地址覈對當前版本的安裝與調用方式，再在本地 Agent 環境中啓用。
典型用法¶
資料中沒有提供可直接復現的官方示例命令或輸入輸出樣例，所以本節只描述其工作方式，不編造示例。
調用時，用戶用自然語言提出需求即可，例如要做因子 IC 測試、做分層回測、跑 MA 交叉回測、做 Markowitz 或 Risk Parity 組合優化、生成 HTML 績效報告。Skill 會根據需求進入對應流程，先完成因子或信號計算，再做回測，再做組合優化，最後產出 HTML 報告。
適用場景與注意¶
適合人羣：需要反覆做因子檢驗、回測和組合構建的個人投研開發者，或希望統一投研報告輸出格式的團隊。
需要注意的地方：
- 資料中沒有列出支持的資產範圍、數據源、頻率要求，也沒有說明是否包含數據獲取能力，實際使用前需要自行確認數據輸入方式。
- 回測和組合優化結果依賴輸入數據和參數，Skill 本身不保證收益，也不包含交易成本、滑點等細節的說明。
- 當前抓取到的官方頁面訪問失敗，安裝命令和最新版本信息應以官方地址爲準。
結尾¶
量化投研助手的價值在於把因子研究、回測和組合優化串成一條相對完整的投研流程，並用 HTML 報告統一輸出。如果你的痛點是投研腳本分散、報告口徑不一，可以把它作爲流程化嘗試。官方地址：https://api.skillhub.cn/user_053d27d0/quant-research-assistant 。
