大师框架回测验证器：月度调仓回测各大师 skill 的打分框架在 A 股的历史真实表现（等权持有前N名 vs 沪深300），时点正确（point-in-time）无未来函数，输出年化/超额/最大回撤/夏普与逐年对照表，附幸存者偏差等局限说明 | Master-framework backtest validator: monthly-rebalanced backtest of each master framework on A-shares (equal-weight top-N vs CSI 300), point-in-time scoring, CAGR/excess/maxDD/Sharpe with yearly table, documented survivorship-bias caveats | マスター框架バックテスト検証器：月次リバランスで各框架のA株実績を検証（等上位N銘柄 vs 沪深300）、時点正確、年率/超過/最大DD/シャープ
Pro scans all 9 files and shows the line behind each finding
Scanned 9/30/2026
Skills Directorynpx -y skills add Serennity007/awesome-stock-quant-skills --skill framework-backtest --agent claude-codeInstalls into .claude/skills of the current project.
Are you the author of Framework Backtest?
Add the live security badge to your README — it updates automatically with every re-scan.
[](https://www.skillsdirectory.com/skills/serennity007-framework-backtest)More formats (shields.io, HTML) on the badges page. Keep it an A: scan every change in CI with Pro.
---
name: framework-backtest
description: 大师框架回测验证器：月度调仓回测各大师 skill 的打分框架在 A 股的历史真实表现（等权持有前N名 vs 沪深300），时点正确（point-in-time）无未来函数，输出年化/超额/最大回撤/夏普与逐年对照表，附幸存者偏差等局限说明 | Master-framework backtest validator: monthly-rebalanced backtest of each master framework on A-shares (equal-weight top-N vs CSI 300), point-in-time scoring, CAGR/excess/maxDD/Sharpe with yearly table, documented survivorship-bias caveats | マスター框架バックテスト検証器：月次リバランスで各框架のA株実績を検証（等上位N銘柄 vs 沪深300）、時点正確、年率/超過/最大DD/シャープ
author: Serennity007
license: MIT
---
# 📊 大师框架回测验证器｜用历史数据检验大师框架在 A 股是否真的有效
> **"回测是策略的照妖镜——所有讲不出来的收益都是故事。"**
本技能把仓库里的大师框架变成**可证伪的策略**：每月末用某框架对全池打分 → 等权买入前 N 名 → 持有到下月末 → 累计净值对照沪深300。打分严格 point-in-time：只用调仓日已发布 ≥120 天的年报数据和调仓时点的估值，无未来函数。
v1 支持三个框架：**danbin**（但斌六维，分红维度剔除后 85 分重标定）、**lilu**（李录六维）、**mom12_1**（12-1 月价格动量，作为价值框架的对照基准）。
## 已知局限（读结果前必读）
| 局限 | 影响 | 方向 |
|---|---|---|
| **幸存者偏差** | 股票池固定为当前沪深300名单，"活到今天的好公司"被系统性高估，绝对收益偏乐观 | 引入历史成分股回溯可消除 |
| 无交易成本 | 月度换手 10 只，成本侵蚀约 1-2pp/年 | 可加双边 0.1% 修正 |
| PE/PB 历史 | 东财接口约自 2018 年起，早期分位窗口短 | 换乐咕/其他源 |
| 年报滞后近似 | 按 120 天假设发布（实际 1-4 月底） | 保守方向，影响小 |
**结论的正确用法：框架之间的相对比较（谁的超额高、谁的回撤小）比绝对数字可信。**
## 使用方法
```bash
pip install akshare pandas numpy
# 第一步：拉取全池历史数据缓存（约 25 分钟，可断点续传，支持 --offset/--limit 分块）
python scripts/fetch_history.py --pool hs300
# 第二步：回测（默认三框架、每月等权前 10、2021-09 起）
python scripts/backtest.py
# 自定义：只跑一个框架、前 5 名、从 2023 年开始
python scripts/backtest.py --frameworks danbin --top 5 --start 2023-01-31 --out-prefix v2
```
参数说明：
- `--frameworks`: 逗号分隔，danbin / lilu / mom12_1。
- `--start`: 首个调仓月（默认 2021-09-30）。
- `--top`: 每月等权持有前 N 名（默认 10）。
- `--min-stocks`: 缓存少于该数量报错（默认 50；子集测试时调低）。
- `--out-prefix`: 输出文件名前缀。
## 输出文件
- `results/bt_summary.csv` — 各框架年化/基准年化/超额/最大回撤/夏普汇总
- `results/bt_result_<框架>.csv` — 月度收益与净值曲线（策略 vs 基准）
- `results/bt_yearly_<框架>.csv` — 逐年收益对照表
- `cache/` — 个股历史数据缓存（估值/年度指标/利润表，.gitignore 排除，可随时删除重建）
## 打分口径
与各大师 skill 的 `screen.py` 完全同一套档位函数，仅两处 v1 简化：
1. danbin 的"时间的玫瑰"（分红）维度剔除——历史逐股分红数据获取成本高；其余六维 85 分制重标定到 100。
2. 金融业等无毛利率行业，厚雪维度给中性 8 分（与 screen.py 一致）。
## 实测结果
见 `results/bt_summary.csv` 与根 README Demo 区（2026-09-28 首次全量回测数字在回测完成后回填）。
## 配套文件
- `references/backtest_methodology.md` — 方法论：point-in-time 原则、幸存者偏差的量化影响、为什么相对比较更可信。
## 免责声明
本技能仅供学习研究，不构成投资建议。回测收益不代表未来，历史规律可能失效。
Is this your skill, or is something wrong with this listing? Request removal or report an issue. Author removals are honored within 72 hours.
No comments yet. Be the first to comment!
