本文介绍了 5 个 Claude Code Skills（回测专家、数据流水线、信号生成器、风险管理器、实时信号监控器）以及如何用通过它们配合 EODHD API 快速搭建算法交易系统。

alt

大多数交易者以为量化交易的瓶颈是策略，其实不是，真正的瓶颈，是从想法到上线之间的那段时间。写样板代码、对接 API、凌晨两点还在调试 vectorbt 报错 —— 这才是大多数策略死掉的地方。

如果你正在：

  • 用 Python 构建系统化交易系统
  • 在投入真金白银之前测试技术指标
  • 想把几周的量化工作压缩到几天完成

那么下面这些内容，对你很重要。

什么是 Claude Code Skills？

Claude Code 不是聊天机器人，而是一个运行在终端里的智能代理，能读取文件、执行代码。对于算法交易来说，这改变了游戏规则。

真正的力量来自 Skills —— 也就是 SKILL.md 文件。它们像菜谱一样，告诉 Claude 如何处理特定任务。装上 Skill，Claude 就变成了那个领域的专家。

下面介绍 5 个来自公开仓库的 Skills，能让 Claude Code 在交易领域真正有用 —— 附带安装命令、内部工作流程，以及使用 EODHD 获取市场数据的可运行 Python 代码。

1. 回测专家 — 系统化策略测试

来源： tradermonty/claude-trading-skills[1] · ⭐ 16

git clone https://github.com/tradermonty/claude-trading-skills.git
cp -r claude-trading-skills/skills/backtest-expert ~/.claude/skills/

Skill 内部工作流程：

  1. 确认策略规则和参数
  2. 获取指定标的和周期的历史 OHLCV 数据
  3. 从头计算指标——不依赖任何库的黑盒
  4. 生成明确的入场/出场信号
  5. 运行向量化回测：收益率、夏普比率、最大回撤、胜率
  6. 输出权益曲线 + 汇总表
  7. 如果样本内窗口不足 2 年，标记过拟合风险

代码示例： 基于 RSI 的回测，使用 EODHD API 获取数据，从零计算 RSI，生成买卖信号，计算夏普比率和总收益率。

import requests
import pandas as pd
import numpy as np

API_KEY = "YOUR_EODHD_KEY"

# 通过 EODHD REST API 获取历史价格
url = f"https://eodhd.com/api/eod/AAPL.US"
params = {
    "api_token": API_KEY,
    "from": "2022-01-01",
    "to": "2024-12-31",
    "period": "d",
    "fmt": "json"
}
data = requests.get(url, params=params).json()
df = pd.DataFrame(data)[["date", "adjusted_close", "volume"]]
df["date"] = pd.to_datetime(df["date"])
df.set_index("date", inplace=True)
df.columns = ["close", "volume"]

# 从零计算 RSI
delta = df["close"].diff()
gain  = delta.clip(lower=0).rolling(14).mean()
loss  = -delta.clip(upper=0).rolling(14).mean()
df["rsi"] = 100 - (100 / (1 + gain / loss))

# 生成信号
df["signal"] = 0
df.loc[df["rsi"] < 30, "signal"] =  1  # 买入
df.loc[df["rsi"] > 70, "signal"] = -1  # 卖出

# 向量化策略收益率
df["returns"]  = df["close"].pct_change()
df["strategy"] = df["signal"].shift(1) * df["returns"]
sharpe = df["strategy"].mean() / df["strategy"].std() * np.sqrt(252)
total  = (1 + df["strategy"]).prod() - 1
print(f"夏普比率: {sharpe:.2f} | 总收益率: {total:.2%}")

优点： 结构化流程不会跳过过拟合检查；强制使用明确的信号逻辑，不依赖隐含的库假设。

缺点： 需要清晰的策略描述；模糊的输入会产生平庸的回测结果。

最适合： 每周测试 5-10 个策略变体的量化交易者，需要可重复、可对比的结果。

2. 市场数据流水线 — EODHD 集成

来源： JoelLewis/finance_skills[2] · trading-operations 插件

npx skills add JoelLewis/finance_skills --plugin trading-operations

Skill 内部工作流程：

  1. 确认所需数据类型：EOD / 日内 / 基本面 / 实时
  2. 选择对应的 EODHD 接口
  3. 构建请求参数（标的格式、日期范围、周期）
  4. 将返回结果规范化为统一列名的 DataFrame
  5. 对历史价格分析应用公司行为调整
  6. 缓存结果，避免同一会话中的重复 API 调用
  7. 返回可直接用于指标计算的 DataFrame

糟糕的数据是回测的隐形杀手。 存活者偏差、未调整价格、遗漏的公司行为 —— 这些不会报错，只会让策略看起来比实际更好。

import requests
import pandas as pd

API_KEY = "YOUR_EODHD_KEY"

def fetch_eod(symbol: str, start: str, end: str) -> pd.DataFrame:
    r = requests.get(
        f"https://eodhd.com/api/eod/{symbol}",
        params={"api_token": API_KEY, "from": start, "to": end,
                "period": "d", "fmt": "json"}
    )
    df = pd.DataFrame(r.json())
    df["date"] = pd.to_datetime(df["date"])
    return df.set_index("date")[["open", "high", "low", "close",
                                 "adjusted_close", "volume"]]

def fetch_intraday(symbol: str, interval: str = "1m") -> pd.DataFrame:
    r = requests.get(
        f"https://eodhd.com/api/intraday/{symbol}",
        params={"api_token": API_KEY, "interval": interval, "fmt": "json"}
    )
    df = pd.DataFrame(r.json())
    df["datetime"] = pd.to_datetime(df["datetime"])
    return df.set_index("datetime")[["open", "high", "low", "close", "volume"]]

def fetch_fundamentals(symbol: str) -> dict:
    r = requests.get(
        f"https://eodhd.com/api/fundamentals/{symbol}",
        params={"api_token": API_KEY, "fmt": "json"}
    )
    return r.json()

# 使用方法
aapl = fetch_eod("AAPL.US", "2023-01-01", "2024-12-31")
fund = fetch_fundamentals("AAPL.US")
eps  = fund["Highlights"]["EPS"]
print(f"EPS: {eps} | 最新调整收盘价: ${aapl['adjusted_close'].iloc[-1]:.2f}")

EODHD 覆盖全球 70+ 交易所（美股、ETF、外汇、加密货币），提供经过公司行为调整的价格数据，并有免费套餐供原型开发使用。

优点： 调整后的 EOD + 分钟级日内数据 + 基本面 + 实时数据，全部来自同一个 API；有免费套餐。

缺点： 无延迟的实时报价需要付费套餐。

最适合： 任何正在构建严肃回测或实盘系统的人，需要机构级数据质量但只需独立开发者价格。

3. 信号生成器 — 把策略逻辑变成可执行代码

来源： ScientiaCapital/skills[3] · active/signal-generation

git clone https://github.com/scientiacapital/skills.git
cp -r skills/active/signal-generation ~/.claude/skills/

策略在你的脑子里、在研究笔记里、或者在 TradingView Pine Script 里。需要把它变成干净、向量化的 Python 代码。而这个 Skill 负责翻译工作。

Skill 内部工作流程：

  1. 将自然语言描述的策略规则解析为明确的条件
  2. 将每个条件映射为 pandas/numpy 操作
  3. 使用向量化操作计算指标（不逐行循环）
  4. 分别构建入场和出场序列
  5. 如果指定了时段或交易会话过滤条件，则应用
  6. 输出 DataFrame：[收盘价, 指标, 信号, 持仓]
  7. 验证：无前瞻偏差（所有指标在信号比对前已完成位移） 
import requests
import pandas as pd
import numpy as np

API_KEY = "YOUR_EODHD_KEY"
r = requests.get(
    "https://eodhd.com/api/eod/TSLA.US",
    params={"api_token": API_KEY, "from": "2023-01-01",
            "to": "2024-12-31", "period": "d", "fmt": "json"}
)
df = pd.DataFrame(r.json())
df["date"] = pd.to_datetime(df["date"])
df = df.set_index("date")[["high", "low", "adjusted_close"]] \
      .rename(columns={"adjusted_close": "close"})

# EMA 交叉 + ADX 过滤器（不依赖 TA-Lib）
def ema(s, n):
    return s.ewm(span=n, adjust=False).mean()

def compute_adx(df, n=14):
    tr = pd.concat([
        df["high"] - df["low"],
        (df["high"] - df["close"].shift()).abs(),
        (df["low"]  - df["close"].shift()).abs()
    ], axis=1).max(axis=1)
    dm_pos = (df["high"] - df["high"].shift()).clip(lower=0)
    dm_neg = (df["low"].shift() - df["low"]).clip(lower=0)
    atr    = tr.ewm(span=n, adjust=False).mean()
    di_pos = 100 * dm_pos.ewm(span=n, adjust=False).mean() / atr
    di_neg = 100 * dm_neg.ewm(span=n, adjust=False).mean() / atr
    dx     = (100 * (di_pos - di_neg).abs() / (di_pos + di_neg))
    return dx.ewm(span=n, adjust=False).mean()

df["ema20"] = ema(df["close"], 20)
df["ema50"] = ema(df["close"], 50)
df["adx"]   = compute_adx(df)

cross_up = (df["ema20"] > df["ema50"]) & \
           (df["ema20"].shift() <= df["ema50"].shift())
adx_confirmed = df["adx"] > 25
df["signal"] = (cross_up & adx_confirmed).astype(int)

print(df[df["signal"] == 1][["close", "ema20", "ema50", "adx"]].tail())

优点： 前瞻偏差检查内置于流程中，Claude 在交付代码前就会标记问题；产出的是生产级向量化代码，不是教程式代码。

缺点： 在接入实盘资金之前，务必人工验证信号逻辑。

最适合： 那些用策略规则思考、希望 Claude 帮忙做 Python 翻译的交易者。

4. 风险管理器 — 仓位计算与风险控制

来源： JoelLewis/finance_skills[4] · wealth-management 插件（risk-measurement skill）

npx skills add JoelLewis/finance_skills --plugin wealth-management

没有风险管理的策略，就是多绕了几步路的投机。这个 Skill 为 Claude 提供了每次仓位和风险计算的决策框架。

Skill 内部工作流程：

  1. 基于当前设置计算 ATR 止损距离
  2. 应用固定比例仓位（默认：每笔交易风险为账户的 1%）
  3. 检查投资组合热度：如果总敞口超过净值的 5% 则标记警告
  4. 计算当前投资组合的历史 VaR（95% 置信度）
  5. 输出：入场价、止损价、股数、美元风险、R 倍数目标
  6. 定义熔断阈值：如果回撤超过 X%，停止新开仓 
import requests
import pandas as pd
import numpy as np

API_KEY = "YOUR_EODHD_KEY"
r = requests.get(
    "https://eodhd.com/api/eod/AAPL.US",
    params={"api_token": API_KEY, "from": "2024-10-01",
            "to": "2024-12-31", "period": "d", "fmt": "json"}
)
df = pd.DataFrame(r.json())
df["date"] = pd.to_datetime(df["date"])
df = df.set_index("date")[["high", "low", "adjusted_close"]] \
      .rename(columns={"adjusted_close": "close"})

# ATR（14 周期）
tr = pd.concat([
    df["high"] - df["low"],
    (df["high"] - df["close"].shift()).abs(),
    (df["low"]  - df["close"].shift()).abs()
], axis=1).max(axis=1)
atr = tr.ewm(span=14, adjust=False).mean().iloc[-1]

def size_position(equity, risk_pct, entry, stop):
    risk_per_share = abs(entry - stop)
    if risk_per_share == 0:
        return 0
    return int((equity * risk_pct / 100) / risk_per_share)

equity      = 10_000
entry_price = df["close"].iloc[-1]
stop_price  = entry_price - (2 * atr)
shares      = size_position(equity, 1.0, entry_price, stop_price)

print(f"入场价:       ${entry_price:.2f}")
print(f"止损价(2×ATR): ${stop_price:.2f}  |  ATR: ${atr:.2f}")
print(f"仓位:          {shares} 股")
print(f"美元风险:      ${shares * abs(entry_price - stop_price):.2f}")

优点： 产出可复用的参数化模块，不是硬编码值；流程中包含投资组合热度检查，不限于单笔交易。

缺点： 仓位模型需要人工审核 —— Claude 不知道你的个人回撤容忍度。

最适合： 同时运行多个策略的系统化交易者，需要一致、可审计的风险框架。

5. 实时信号监控器 — 实时预警

来源： roman-rr/trading-skills[5] · trading-signals skill

git clone https://github.com/roman-rr/trading-skills.git
cp -r trading-skills/trading-signals ~/.claude/skills/

最后一个 Skill 闭环了从研究到实盘监控的全流程。不再是跑回测，而是实时监控信号，在条件满足时触发告警。

Skill 内部工作流程：

  1. 通过 EODHD REST API 获取实时报价和近期 EOD K 线
  2. 在内存中维护一个滚动窗口
  3. 每根新 K 线到来时重新计算指标
  4. 评估信号条件——入场、出场或持仓
  5. 信号触发时：记录时间戳、标的、价格、指标值
  6. 发送预警（打印 / Telegram / 邮件）
  7. 从不直接执行订单 —— 只输出信号 
import requests
import pandas as pd
import numpy as np
import time
from datetime import datetime

API_KEY = "YOUR_EODHD_KEY"

def fetch_live_quote(symbol: str) -> float:
    r = requests.get(
        f"https://eodhd.com/api/real-time/{symbol}",
        params={"api_token": API_KEY, "fmt": "json"}
    )
    return r.json().get("close", None)

def fetch_recent_eod(symbol: str, n: int = 30) -> pd.Series:
    r = requests.get(
        f"https://eodhd.com/api/eod/{symbol}",
        params={"api_token": API_KEY, "period": "d", "fmt": "json"}
    )
    df = pd.DataFrame(r.json()).tail(n)
    df["date"] = pd.to_datetime(df["date"])
    return df.set_index("date")["adjusted_close"].rename("close")

def compute_rsi(series, n=14):
    delta = series.diff()
    gain  = delta.clip(lower=0).rolling(n).mean()
    loss  = -delta.clip(upper=0).rolling(n).mean()
    return 100 - (100 / (1 + gain / loss))

symbol = "AAPL.US"
print(f"正在监控 {symbol} | {datetime.now():%Y-%m-%d %H:%M}")

while True:
    close_series = fetch_recent_eod(symbol, n=30)
    live_price   = fetch_live_quote(symbol) or close_series.iloc[-1]

    today = pd.Timestamp.now().normalize()
    close_series[today] = live_price
    rsi   = compute_rsi(close_series).iloc[-1]

    status = "超卖 → 关注买入" if rsi < 30 else \
             "超买 → 关注卖出" if rsi > 70 else "中性"
    print(f"[{datetime.now():%H:%M:%S}] {symbol} | ${live_price:.2f} | RSI: {rsi:.1f} | {status}")

    if rsi < 30:
        print(f"  🔔 预警: RSI 超卖 {rsi:.1f} - 检查入场机会")

    time.sleep(60)

搭配 Telegram 机器人使用，你就能获得 24/7 自动运行的信号检测系统，不用再人工盯盘了。

优点： 轮询模式在 EODHD 免费套餐上也能运行，不需要 WebSocket 订阅；Skill 强制信号与执行分离，不会意外下单。

缺点： 60 秒轮询不适合亚分钟级策略（这类需求应使用 EODHD 的 WebSocket 数据流）。

最适合： 波段交易者和日内交易者，希望在不构建完整执行系统的情况下实现信号自动检测。

转变已来

Claude Code Skills 并非什么神奇的东西，就是一套结构化解决方案，能够避免在每个新项目中都不得不从头开始摸索的问题。

五个 Skills 和一个可靠的数据层，瓶颈就从"怎么实现"转移到了本来应该在的地方：判断哪些策略值得测试。

大多数量化交易者不缺想法，缺的是足够快的执行能力，来找到那些真正有效的策略。

而这，正是正在改变的事情。

参考资料
[1]

tradermonty/claude-trading-skills: https://github.com/tradermonty/claude-trading-skills

 [2]

JoelLewis/finance_skills: https://github.com/JoelLewis/finance_skills

 [3]

ScientiaCapital/skills: https://github.com/scientiacapital/skills

 [4]

JoelLewis/finance_skills: https://github.com/JoelLewis/finance_skills

 [5]

roman-rr/trading-skills: https://github.com/roman-rr/trading-skills

本文由 mdnice 多平台发布

# 程序人生
Logo
DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

cover

AI动态简报之算力基建篇

avatar DeepSeek技术社区
cover

端侧小模型 vs 云端大模型双轨部署：规则分流还是训练路由器的工程选择

avatar DeepSeek技术社区
cover

Agent 工具权限爆炸？最小权限原则与 DeepSeek 多租户隔离实践

avatar DeepSeek技术社区