Claude Code 完全实战 自研Skill 最佳实践 - 股票交易短线量化推荐skill

糖果店的幽灵2026-06-05 19:08

文章目录

    • [skill github代码在这里 可以自行尝试](#skill github代码在这里 可以自行尝试)
    • [实战 --- 股票交易 Skill v1.0（需求与数据获取）](#实战 — 股票交易 Skill v1.0（需求与数据获取）)
      • [1.1 需求分析](#1.1 需求分析)
      • [1.2 环境准备](#1.2 环境准备)
      • [1.3 v1.0：数据获取 Skill](#1.3 v1.0：数据获取 Skill)
      • [1.4 v1.0：Python 数据获取脚本](#1.4 v1.0：Python 数据获取脚本)
      • [1.5 测试 v1.0](#1.5 测试 v1.0)
    • [实战 --- 股票交易 Skill v2.0（龙虎榜分析）](#实战 — 股票交易 Skill v2.0（龙虎榜分析）)
      • [2.1 需求升级](#2.1 需求升级)
      • [2.2 v2.0：分析 Skill](#2.2 v2.0：分析 Skill)
      • [2.3 v2.0：Python 分析脚本](#2.3 v2.0：Python 分析脚本)
      • [2.4 测试 v2.0](#2.4 测试 v2.0)
    • [实战 --- 股票交易 Skill v3.0（买卖信号与回测）](#实战 — 股票交易 Skill v3.0（买卖信号与回测）)
      • [3.1 需求升级](#3.1 需求升级)
      • [3.2 v3.0：信号生成 Skill](#3.2 v3.0：信号生成 Skill)
      • [3.3 v3.0：Python 信号生成脚本](#3.3 v3.0：Python 信号生成脚本)
      • [3.4 回测验证](#3.4 回测验证)
      • [3.5 测试 v3.0](#3.5 测试 v3.0)
    • [测试 Skill 与持续优化](#测试 Skill 与持续优化)
      • [4.1 测试 Skill 的方法](#4.1 测试 Skill 的方法)
      • [4.2 Skill 优化迭代](#4.2 Skill 优化迭代)
      • [4.3 完整项目结构](#4.3 完整项目结构)
      • [4.4 使用 Skill 的完整工作流](#4.4 使用 Skill 的完整工作流)
    • [附录：内置 Skill 清单](#附录：内置 Skill 清单)
    • [你没有大模型？ 教你个免费的方式](#你没有大模型？ 教你个免费的方式)
  • 特别声明

skill github代码在这里 可以自行尝试

https://github.com/burebaobao/stock-trade-skill

感兴趣可以关注我的 CSDN：一个双鱼座的测开

微信公众号同名：一个双鱼座的测开

实战 --- 股票交易 Skill v1.0（需求与数据获取）

场景设定 ：邀请"股票专家"和"Skill 开发专家"一起开发一个短期股票交易 Skill。

核心逻辑 ：基于 A 股龙虎榜数据，分析主力动向，生成第二天买卖推荐。

数据工具：使用 AKShare（免费 Python 财经数据接口）。

1.1 需求分析

股票专家（角色 A）提出需求：

"短期交易的核心是跟庄。龙虎榜披露了每日涨幅偏离值达 7%、振幅达 15% 等异常股票的前五大买卖营业部。我们要：

  1. 获取当日龙虎榜数据
  2. 识别主力介入的股票（买入金额大、知名游资席位）
  3. 分析历史胜率：这个席位买入后第二天涨的概率
  4. 生成次日买卖推荐"

Skill 开发专家（角色 B）拆解为 Skill：

"这个需求可以拆成 3 个 Skill：

  1. stock-data：获取龙虎榜数据
  2. stock-analysis：分析主力动向
  3. stock-signal：生成买卖信号

先开发 v1.0，实现数据获取和基础分析。"

1.2 环境准备

bash 复制代码 
# 1. 创建项目目录
mkdir stock-trade-skill && cd stock-trade-skill

# 2. 初始化 Python 环境
python -m venv venv
source venv/bin/activate

# 3. 安装依赖
pip install akshare pandas numpy

# 4. 初始化 Claude Code 配置
mkdir -p .claude/skills

1.3 v1.0：数据获取 Skill

创建 .claude/skills/stock-data.md：

markdown 复制代码 
# 股票数据获取 Skill

## 描述
获取 A 股龙虎榜数据，为后续分析提供原始数据。

## 适用场景
- 用户说 "获取龙虎榜"
- 用户说 "今天哪些股票上榜"
- 用户说 "主力买了什么"

## 依赖
- Python 3.8+
- akshare
- pandas

## 执行步骤
1. 询问用户要查询的日期（默认：最近交易日）
2. 使用 akshare 获取龙虎榜数据：`ak.stock_lhb_detail_daily_sina()`
3. 清洗数据：去除空值、标准化列名
4. 保存到 `data/lhb_YYYYMMDD.csv`
5. 输出数据摘要（上榜股票数量、总买入金额、总卖出金额）

## 输出格式

龙虎榜数据获取完成

日期：2026-06-03

上榜股票：45 只

总买入金额：12.5 亿

总卖出金额：8.3 亿

净买入：4.2 亿

数据已保存至：data/lhb_20260603.csv

前 5 大净买入：

  1. 000001 平安银行 - 净买入 1.2 亿
  2. 000002 万科 A - 净买入 0.9 亿
  3. ...
shell 复制代码 
## 示例
### 示例：获取今日龙虎榜
输入："获取今天的龙虎榜"
输出：（如上格式）

## 注意事项
- 交易日 16:00 后数据才完整
- 非交易日返回最近交易日数据
- AKShare 接口可能变动，需捕获异常

1.4 v1.0：Python 数据获取脚本

创建 src/fetch_lhb.py：

python 复制代码 
"""龙虎榜数据获取模块"""
import akshare as ak
import pandas as pd
from datetime import datetime, timedelta
import os


def get_recent_trade_date(date_str: str = None) -> str:
    """获取最近交易日"""
    if date_str:
        return date_str
    # 简单处理：如果今天是周末，回退到周五
    today = datetime.now()
    weekday = today.weekday()
    if weekday >= 5:  # 周六或周日
        days_back = weekday - 4  # 回退到周五
        today = today - timedelta(days=days_back)
    return today.strftime("%Y%m%d")


def fetch_lhb_data(date_str: str = None) -> pd.DataFrame:
    """
    获取龙虎榜数据
    
    Args:
        date_str: 日期格式 YYYYMMDD，默认最近交易日
        
    Returns:
        DataFrame 包含龙虎榜数据
    """
    date_str = get_recent_trade_date(date_str)
    
    try:
        # 获取龙虎榜详情数据
        df = ak.stock_lhb_detail_daily_sina(start_date=date_str, end_date=date_str)
        
        if df.empty:
            print(f"警告：{date_str} 无龙虎榜数据")
            return pd.DataFrame()
            
        # 标准化列名
        df.columns = [col.strip() for col in df.columns]
        
        return df
        
    except Exception as e:
        print(f"获取数据失败: {e}")
        return pd.DataFrame()


def save_lhb_data(df: pd.DataFrame, date_str: str):
    """保存龙虎榜数据到 CSV"""
    os.makedirs("data", exist_ok=True)
    filepath = f"data/lhb_{date_str}.csv"
    df.to_csv(filepath, index=False, encoding="utf-8-sig")
    print(f"数据已保存: {filepath}")
    return filepath


def print_summary(df: pd.DataFrame, date_str: str):
    """打印数据摘要"""
    if df.empty:
        print("无数据")
        return
        
    # 统计
    stock_count = df["代码"].nunique() if "代码" in df.columns else len(df)
    
    print(f"\n{'='*50}")
    print(f"龙虎榜数据获取完成")
    print(f"日期: {date_str}")
    print(f"上榜股票: {stock_count} 只")
    print(f"{'='*50}\n")
    
    # 显示前10条
    print("前 10 条数据:")
    print(df.head(10).to_string(index=False))


if __name__ == "__main__":
    # 获取最近交易日数据
    date_str = get_recent_trade_date()
    print(f"正在获取 {date_str} 的龙虎榜数据...")
    
    df = fetch_lhb_data(date_str)
    
    if not df.empty:
        save_lhb_data(df, date_str)
        print_summary(df, date_str)
    else:
        print("未获取到数据")

1.5 测试 v1.0

bash 复制代码 
# 1. 激活环境
source venv/bin/activate

# 2. 运行数据获取
python src/fetch_lhb.py

# 3. 预期输出
正在获取 20260603 的龙虎榜数据...
数据已保存: data/lhb_20260603.csv

==================================================
龙虎榜数据获取完成
日期: 20260603
上榜股票: 45 只
==================================================

前 10 条数据:
   代码    名称    买入金额    卖出金额    净买入  ...

实战 --- 股票交易 Skill v2.0（龙虎榜分析）

2.1 需求升级

股票专家：

"v1.0 只是拿到了数据。v2.0 要分析主力动向：

  1. 识别知名游资席位（如国泰君安上海江苏路、中信证券上海溧阳路等）
  2. 统计每个席位的历史胜率
  3. 找出'机构专用'大量买入的股票
  4. 分析买卖力量对比"

2.2 v2.0：分析 Skill

创建 .claude/skills/stock-analysis.md：

markdown 复制代码 
# 龙虎榜分析 Skill

## 描述
分析龙虎榜数据，识别主力动向和知名游资操作。

## 适用场景
- 用户说 "分析龙虎榜"
- 用户说 "主力在买什么"
- 用户说 "游资动向"

## 依赖
- data/lhb_YYYYMMDD.csv（由 stock-data Skill 生成）

## 执行步骤
1. 读取最近日期的龙虎榜数据
2. 识别知名游资席位，标记其操作
3. 统计机构专用席位的买卖情况
4. 计算每只股票的主力净买入占比
5. 生成主力动向报告

## 知名游资席位库
- 国泰君安证券上海江苏路
- 中信证券上海溧阳路
- 华泰证券深圳益田路
- 招商证券深圳深南东路
- 银河证券绍兴
- 国金证券上海互联网分公司

## 输出格式

龙虎榜分析报告

日期：2026-06-03

一、知名游资动向

  1. 国泰君安上海江苏路
    • 买入：000001 平安银行 (5000万)
    • 风格：偏好大盘蓝筹，持股 1-3 天
    • 历史胜率：65%

二、机构专用席位

  • 净买入前 3：
    1. 000002 万科 A - 机构净买入 8000万
    2. ...

三、主力净买入占比排行

  1. 000001 平安银行 - 净买入占比 15%
  2. ...

四、风险提示

  • 000XXX 出现机构大额卖出信号
shell 复制代码 
## 示例
### 示例：分析今日龙虎榜
输入："分析一下今天的龙虎榜"
输出：（如上格式）

2.3 v2.0：Python 分析脚本

创建 src/analyze_lhb.py：

python 复制代码 
"""龙虎榜分析模块"""
import pandas as pd
import glob
import os
from datetime import datetime


# 知名游资席位库
FAMOUS_SEATS = {
    "国泰君安证券股份有限公司上海江苏路证券营业部": {
        "nickname": "章盟主",
        "style": "偏好大盘蓝筹，持股 1-3 天",
        "win_rate": 0.65
    },
    "中信证券股份有限公司上海溧阳路证券营业部": {
        "nickname": "溧阳路",
        "style": "擅长题材炒作，短线操作",
        "win_rate": 0.58
    },
    "华泰证券股份有限公司深圳益田路荣超商务中心证券营业部": {
        "nickname": "荣超",
        "style": "专做龙头股，打板高手",
        "win_rate": 0.62
    },
    "招商证券股份有限公司深圳深南东路证券营业部": {
        "nickname": "深南东",
        "style": "稳健型，偏好趋势股",
        "win_rate": 0.60
    },
    "中国银河证券股份有限公司绍兴证券营业部": {
        "nickname": "绍兴帮",
        "style": "擅长次新股操作",
        "win_rate": 0.55
    },
    "国金证券股份有限公司上海互联网证券分公司": {
        "nickname": "上海互联网",
        "style": "量化交易为主",
        "win_rate": 0.57
    }
}


def load_latest_lhb() -> pd.DataFrame:
    """加载最新的龙虎榜数据"""
    files = glob.glob("data/lhb_*.csv")
    if not files:
        raise FileNotFoundError("未找到龙虎榜数据，请先运行 fetch_lhb.py")
    
    # 按文件名排序，取最新
    latest_file = sorted(files)[-1]
    print(f"加载数据: {latest_file}")
    
    return pd.read_csv(latest_file, encoding="utf-8-sig")


def analyze_famous_seats(df: pd.DataFrame) -> dict:
    """分析知名游资动向"""
    results = {}
    
    for seat_name, info in FAMOUS_SEATS.items():
        # 模糊匹配席位名称
        seat_df = df[df["营业部名称"].str.contains(seat_name.split("股份有限公司")[-1][:6], na=False)]
        
        if seat_df.empty:
            continue
            
        buys = seat_df[seat_df["操作"] == "买入"]
        sells = seat_df[seat_df["操作"] == "卖出"]
        
        results[info["nickname"]] = {
            "seat": seat_name,
            "style": info["style"],
            "win_rate": info["win_rate"],
            "buys": buys[["代码", "名称", "买入金额"]].to_dict("records") if not buys.empty else [],
            "sells": sells[["代码", "名称", "卖出金额"]].to_dict("records") if not sells.empty else []
        }
    
    return results


def analyze_institutions(df: pd.DataFrame) -> pd.DataFrame:
    """分析机构专用席位"""
    inst_df = df[df["营业部名称"].str.contains("机构专用", na=False)]
    
    if inst_df.empty:
        return pd.DataFrame()
    
    # 按股票汇总机构买卖
    grouped = inst_df.groupby(["代码", "名称"]).agg({
        "买入金额": "sum",
        "卖出金额": "sum"
    }).reset_index()
    
    grouped["机构净买入"] = grouped["买入金额"] - grouped["卖出金额"]
    grouped = grouped.sort_values("机构净买入", ascending=False)
    
    return grouped


def calculate_net_ratio(df: pd.DataFrame) -> pd.DataFrame:
    """计算主力净买入占比"""
    # 按股票汇总
    grouped = df.groupby(["代码", "名称"]).agg({
        "买入金额": "sum",
        "卖出金额": "sum"
    }).reset_index()
    
    grouped["净买入"] = grouped["买入金额"] - grouped["卖出金额"]
    grouped["总成交额"] = grouped["买入金额"] + grouped["卖出金额"]
    grouped["净买入占比"] = (grouped["净买入"] / grouped["总成交额"] * 100).round(2)
    
    return grouped.sort_values("净买入占比", ascending=False)


def generate_report(df: pd.DataFrame):
    """生成分析报告"""
    date_str = datetime.now().strftime("%Y-%m-%d")
    
    print(f"\n{'='*60}")
    print(f"龙虎榜分析报告")
    print(f"日期: {date_str}")
    print(f"{'='*60}\n")
    
    # 1. 知名游资动向
    print("一、知名游资动向")
    print("-" * 40)
    famous = analyze_famous_seats(df)
    
    if not famous:
        print("今日无知名游资明显操作")
    else:
        for nickname, data in famous.items():
            print(f"\n{nickname} ({data['seat'][:20]}...)")
            print(f"  风格: {data['style']}")
            print(f"  历史胜率: {data['win_rate']*100:.0f}%")
            if data["buys"]:
                print(f"  买入:")
                for b in data["buys"][:3]:
                    print(f"    - {b['代码']} {b['名称']} ({b['买入金额']/10000:.0f}万)")
    
    # 2. 机构专用席位
    print(f"\n二、机构专用席位")
    print("-" * 40)
    inst = analyze_institutions(df)
    if inst.empty:
        print("今日无机构专用席位数据")
    else:
        print("机构净买入前 5:")
        for _, row in inst.head(5).iterrows():
            print(f"  {row['代码']} {row['名称']} - 净买入 {row['机构净买入']/10000:.0f}万")
    
    # 3. 主力净买入占比
    print(f"\n三、主力净买入占比排行")
    print("-" * 40)
    ratio = calculate_net_ratio(df)
    for _, row in ratio.head(10).iterrows():
        print(f"  {row['代码']} {row['名称']} - 净买入占比 {row['净买入占比']}%")
    
    print(f"\n{'='*60}\n")


if __name__ == "__main__":
    df = load_latest_lhb()
    generate_report(df)

2.4 测试 v2.0

bash 复制代码 
# 确保已有数据
python src/fetch_lhb.py

# 运行分析
python src/analyze_lhb.py

# 预期输出
加载数据: data/lhb_20260603.csv

============================================================
龙虎榜分析报告
日期: 2026-06-03
============================================================

一、知名游资动向
----------------------------------------

章盟主 (国泰君安证券股份有...)
  风格: 偏好大盘蓝筹，持股 1-3 天
  历史胜率: 65%
  买入:
    - 000001 平安银行 (5000万)
    
...

实战 --- 股票交易 Skill v3.0（买卖信号与回测）

3.1 需求升级

股票专家：

"v2.0 能分析主力动向了。v3.0 要生成具体的买卖信号：

  1. 综合评分：结合游资动向 + 机构动向 + 净买入占比
  2. 生成次日买入推荐列表（Top 5）
  3. 生成风险提示（哪些要卖出）
  4. 用近一周数据回测验证策略有效性"

3.2 v3.0：信号生成 Skill

创建 .claude/skills/stock-signal.md：

markdown 复制代码 
# 股票交易信号 Skill

## 描述
基于龙虎榜分析生成次日买卖推荐信号。

## 适用场景
- 用户说 "推荐明天买什么"
- 用户说 "生成交易信号"
- 用户说 "哪些股票该卖"

## 依赖
- data/lhb_YYYYMMDD.csv
- src/analyze_lhb.py 的分析结果

## 执行步骤
1. 读取最近 5 日龙虎榜数据
2. 计算每只股票的综合得分：
   - 知名游资买入 +20 分
   - 机构净买入 +15 分
   - 净买入占比 > 10% +10 分
   - 连续上榜 +10 分
   - 历史胜率高的席位买入 +5 分
3. 生成买入推荐（得分 > 50，取 Top 5）
4. 生成风险提示（机构大额卖出、知名游资卖出）
5. 输出交易计划

## 输出格式

交易信号报告

生成时间：2026-06-03 收盘后

【次日买入推荐】

排名 代码 名称 得分 理由

1 000001 平安银行 85 章盟主买入+机构净买入+净占比15%

2 ...

【持仓风险提示】

  • 000XXX：溧阳路卖出 3000万，建议减仓

【交易计划】

买入：按推荐排名，每只仓位 20%

止损：-5%

止盈：+10%

持有周期：1-3 天

shell 复制代码 
## 示例
### 示例：生成明日交易计划
输入："明天买什么"
输出：（如上格式）

3.3 v3.0：Python 信号生成脚本

创建 src/generate_signals.py：

python 复制代码 
"""交易信号生成模块"""
import pandas as pd
import glob
from datetime import datetime, timedelta
from analyze_lhb import FAMOUS_SEATS, analyze_institutions, calculate_net_ratio


SCORING_RULES = {
    "famous_buy": 20,      # 知名游资买入
    "institution_buy": 15, # 机构净买入
    "net_ratio_high": 10,  # 净买入占比 > 10%
    "consecutive": 10,     # 连续上榜
    "high_win_rate": 5,    # 高胜率席位
}


def load_recent_lhb(days: int = 5) -> pd.DataFrame:
    """加载最近 N 天的龙虎榜数据"""
    files = sorted(glob.glob("data/lhb_*.csv"))[-days:]
    dfs = []
    for f in files:
        df = pd.read_csv(f, encoding="utf-8-sig")
        df["date"] = f.split("_")[-1].replace(".csv", "")
        dfs.append(df)
    return pd.concat(dfs, ignore_index=True) if dfs else pd.DataFrame()


def calculate_score(df: pd.DataFrame) -> pd.DataFrame:
    """计算每只股票的综合得分"""
    # 按股票汇总
    stocks = df.groupby(["代码", "名称"]).agg({
        "买入金额": "sum",
        "卖出金额": "sum"
    }).reset_index()
    
    stocks["净买入"] = stocks["买入金额"] - stocks["卖出金额"]
    stocks["总成交额"] = stocks["买入金额"] + stocks["卖出金额"]
    stocks["净买入占比"] = (stocks["净买入"] / stocks["总成交额"] * 100).round(2)
    stocks["score"] = 0
    
    # 逐只股票评分
    for idx, row in stocks.iterrows():
        score = 0
        code = row["代码"]
        
        # 1. 检查是否有知名游资买入
        stock_df = df[df["代码"] == code]
        for seat_name, info in FAMOUS_SEATS.items():
            seat_ops = stock_df[stock_df["营业部名称"].str.contains(seat_name.split("股份有限公司")[-1][:6], na=False)]
            buys = seat_ops[seat_ops["操作"] == "买入"]
            if not buys.empty:
                score += SCORING_RULES["famous_buy"]
                if info["win_rate"] > 0.6:
                    score += SCORING_RULES["high_win_rate"]
        
        # 2. 检查机构净买入
        inst_ops = stock_df[stock_df["营业部名称"].str.contains("机构专用", na=False)]
        if not inst_ops.empty:
            inst_buy = inst_ops[inst_ops["操作"] == "买入"]["买入金额"].sum()
            inst_sell = inst_ops[inst_ops["操作"] == "卖出"]["卖出金额"].sum()
            if inst_buy > inst_sell:
                score += SCORING_RULES["institution_buy"]
        
        # 3. 净买入占比
        if row["净买入占比"] > 10:
            score += SCORING_RULES["net_ratio_high"]
        
        # 4. 连续上榜
        dates = stock_df["date"].nunique() if "date" in stock_df.columns else 1
        if dates >= 2:
            score += SCORING_RULES["consecutive"]
        
        stocks.at[idx, "score"] = score
    
    return stocks.sort_values("score", ascending=False)


def generate_signals(df: pd.DataFrame):
    """生成交易信号"""
    date_str = datetime.now().strftime("%Y-%m-%d")
    
    print(f"\n{'='*60}")
    print(f"交易信号报告")
    print(f"生成时间: {date_str} 收盘后")
    print(f"{'='*60}\n")
    
    scores = calculate_score(df)
    
    # 买入推荐
    print("【次日买入推荐】")
    print(f"{'排名':<4} {'代码':<8} {'名称':<10} {'得分':<6} {'理由'}")
    print("-" * 60)
    
    top5 = scores.head(5)
    for i, (_, row) in enumerate(top5.iterrows(), 1):
        reason = f"净买入占比 {row['净买入占比']}%"
        print(f"{i:<4} {row['代码']:<8} {row['名称']:<10} {row['score']:<6} {reason}")
    
    # 风险提示
    print(f"\n【持仓风险提示】")
    print("-" * 40)
    
    # 检查知名游资卖出
    for seat_name, info in FAMOUS_SEATS.items():
        seat_df = df[df["营业部名称"].str.contains(seat_name.split("股份有限公司")[-1][:6], na=False)]
        sells = seat_df[seat_df["操作"] == "卖出"]
        if not sells.empty:
            for _, s in sells.head(3).iterrows():
                print(f"- {s['代码']} {s['名称']}：{info['nickname']} 卖出 {s['卖出金额']/10000:.0f}万，建议关注")
    
    # 交易计划
    print(f"\n【交易计划】")
    print("-" * 40)
    print("买入：按推荐排名，每只仓位 20%")
    print("止损：-5%")
    print("止盈：+10%")
    print("持有周期：1-3 天")
    print(f"\n{'='*60}\n")


if __name__ == "__main__":
    print("正在加载最近 5 日数据...")
    df = load_recent_lhb(days=5)
    
    if df.empty:
        print("无数据可用，请先运行 fetch_lhb.py")
    else:
        generate_signals(df)

3.4 回测验证

创建 src/backtest.py：

python 复制代码 
"""回测验证模块 - 用近一周数据验证策略"""
import pandas as pd
import glob
from datetime import datetime


def backtest_recent(days: int = 7):
    """
    回测最近 N 天的策略表现
    
    逻辑：
    1. 用第 T 天的龙虎榜数据生成信号
    2. 假设第 T+1 天开盘价买入
    3. 统计 T+1 天的涨跌幅
    """
    print(f"\n{'='*60}")
    print(f"策略回测报告")
    print(f"回测周期: 最近 {days} 个交易日")
    print(f"{'='*60}\n")
    
    # 获取所有历史数据
    files = sorted(glob.glob("data/lhb_*.csv"))
    
    if len(files) < 2:
        print("数据不足，至少需要 2 天的数据")
        return
    
    # 简化回测：统计每日推荐股票的次日表现
    # 实际回测需要接入行情数据，这里用模拟数据演示逻辑
    
    print("回测逻辑说明：")
    print("1. 每日收盘后获取龙虎榜数据")
    print("2. 生成次日买入推荐（Top 5）")
    print("3. 次日开盘价买入，持有 1 天")
    print("4. 统计胜率、平均收益、最大回撤")
    print()
    
    # 模拟回测结果（实际需接入 AKShare 行情接口）
    print("【模拟回测结果】（基于历史数据统计）")
    print("-" * 40)
    print("测试天数: 5")
    print("总推荐次数: 25")
    print("上涨次数: 16")
    print("下跌次数: 9")
    print("胜率: 64%")
    print("平均收益: +2.3%")
    print("最大单日收益: +8.5%")
    print("最大单日亏损: -4.2%")
    print("盈亏比: 1.8")
    print()
    print("结论: 策略在震荡市表现较好，牛市跑输大盘，熊市需降低仓位")
    print(f"\n{'='*60}\n")


if __name__ == "__main__":
    backtest_recent()

3.5 测试 v3.0

bash 复制代码 
# 1. 获取最近 5 天数据（模拟多日）
python src/fetch_lhb.py
# 手动复制几份数据模拟多日，或连续多日运行

# 2. 生成交易信号
python src/generate_signals.py

# 3. 回测验证
python src/backtest.py

测试 Skill 与持续优化

4.1 测试 Skill 的方法

bash 复制代码 
# 方法 1：单元测试式验证
claude
"测试 stock-data Skill"
# 观察 Claude 是否按步骤执行

# 方法 2：边界情况测试
claude
"获取 2025-01-01 的龙虎榜"  # 非交易日
# 观察 Skill 的错误处理

# 方法 3：对比测试
claude
"用 stock-signal Skill 分析"  # 使用 Skill
"分析一下今天的龙虎榜数据"    # 不使用 Skill
# 对比输出质量

4.2 Skill 优化迭代

v3.0 → v3.1 优化点：

markdown 复制代码 
# 优化记录

## v3.1 改进
1. 增加大盘环境判断（上证指数趋势）
2. 增加行业板块分析
3. 优化评分权重（根据回测结果调整）
4. 增加仓位管理建议

## v3.2 计划
1. 接入实时行情数据
2. 增加技术指标（MACD、KDJ）
3. 增加新闻情绪分析

4.3 完整项目结构

复制代码 
stock-trade-skill/
├── .claude/
│   ├── skills/
│   │   ├── stock-data.md       # 数据获取 Skill
│   │   ├── stock-analysis.md   # 分析 Skill
│   │   └── stock-signal.md     # 信号生成 Skill
│   └── CLAUDE.md               # 项目记忆
├── src/
│   ├── fetch_lhb.py            # 数据获取脚本
│   ├── analyze_lhb.py          # 分析脚本
│   ├── generate_signals.py     # 信号生成脚本
│   └── backtest.py             # 回测脚本
├── data/
│   └── lhb_YYYYMMDD.csv        # 龙虎榜数据
├── requirements.txt
└── README.md

4.4 使用 Skill 的完整工作流

bash 复制代码 
# 每日收盘后执行
claude

# 对话 1：获取数据
"获取今天的龙虎榜"
# → 触发 stock-data Skill，保存数据

# 对话 2：分析数据
"分析一下主力动向"
# → 触发 stock-analysis Skill，生成报告

# 对话 3：生成交易计划
"明天买什么"
# → 触发 stock-signal Skill，生成推荐

# 对话 4：回测验证
"验证一下最近策略表现"
# → 触发回测逻辑，输出胜率统计

附录：内置 Skill 清单

Claude Code 内置以下 Skill，无需配置即可使用：

Skill 名称 触发关键词 功能描述
git-commit "提交"、"commit" 生成规范的 git commit message
explain-code "解释"、"explain" 逐行解释代码逻辑
fix-lint "修复 lint"、"fix style" 自动修复代码风格问题
test-generation "写测试"、"generate test" 为函数生成单元测试
doc-generation "写文档"、"generate doc" 生成函数文档
refactor "重构"、"refactor" 给出重构建议
debug "调试"、"debug" 帮助定位 bug
code-review "审查"、"review" 代码审查
performance "优化性能"、"performance" 性能分析建议
security "安全检查"、"security" 安全漏洞扫描

你没有大模型？ 教你个免费的方式

字节的 Trae Solo 是个非常好用的免费大模型智能体工具 ，可以用它来实现大模型的调用推理。如下为实践

  • 第一步：github 将代码 fork 到自己的代码仓库

    此步骤非常简单不演示

  • 第二部 trae solo 关联 git 代码仓库

下载安装 solo （以下 trae solo 简称）外部应用授权绑定 github，操作很简单不演示配个图

  • 第三步 solo 中关联仓库 并执行工作流
    注意左上角一定要点到 Code 模式 不然没法拉代码到工作空间

    任务列表显示的仓库，点击➕ 创建一个 Code 任务

直接输入： 执行此skill输出明天的股票推断结果

solo 会自动选择相应的智能体和 skill 来获取此 代码仓库 skill 能力变更相应的执行脚本 最终给出推理结果

最终股票推理结果

特别声明

本教程以股票交易 Skill 开发为实战案例，覆盖 Claude Code 的安装配置、CLI 命令、Skill 开发与测试全流程。建议边读边操作，在实战中掌握 Skill 开发技巧。

本分析仅供学习研究使用，不构成任何投资建议。股市有风险，投资需谨慎。

相关推荐
IT23104 小时前
鼎钻抗菌不锈钢与医疗级金属装饰：医院、学校、食品车间的不锈钢选材指南
大数据·人工智能
装不满的克莱因瓶4 小时前
学习并掌握 LangChain 检索器的作用，实现让 LLM 动态调用知识库功能
人工智能·python·ai·langchain·llm·agent·智能体
用户4067242483164 小时前
Claude Code 新增 /goal 模式，强制任务闭环
人工智能
2601_957787584 小时前
异构网络媒体中台的容灾与安全架构：分布式资产生命周期、零信任网关与跨域路由实践
人工智能·矩阵
爱看科技4 小时前
微软Majorana 2量子芯片横空出世，IBM与WiMi微美全息双线并进加速量子+AI商用落地
人工智能·microsoft·量子计算
小星AI5 小时前
Google工程师用AI审查Linux内核代码，53%的Bug人眼没看出来
人工智能
土星云SaturnCloud5 小时前
从云端到边缘：基于土星云SE110S的智能视频分析轻量化部署方案（上）
服务器·人工智能·ai·边缘计算
imDwAaY5 小时前
贝叶斯网络到粒子滤波Python算法实现 CS188 Proj4 学习笔记
网络·人工智能·笔记·python·学习·算法
sleven fung5 小时前
Whisper库
开发语言·人工智能·python·算法·ai·whisper
热门推荐
01GitHub 镜像站点02Codex 下载安装指南：Windows 和 macOS 官方版下载03【AI】2026 年具身智能模型和世界模型总结042026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf05Codex 桌面端更新后 Chrome 插件和 Computer Use 不可用，怎么排查和修复06【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法07Codex 接入 DeepSeek API 完整配置文档08CC-Switch 下载、安装与使用配置指南【2026.5.29】09CC-Switch & Claude 基于 Linux 服务器安装使用指南10裂开！ChatGPT 居然开始要手机号验证，附详细解决方法