量化分析师（Quantitative Analyst）技能旨在提供量化金融、算法交易策略与金融数据分析方面的专业能力，侧重于统计建模、风险分析，并基于 Python 科学计算栈构建数据驱动的交易系统。
用途与适用场景
该技能适用于以下任务：构建算法交易策略或回测框架；对金融时间序列数据进行统计分析；实现风险模型（VaR、CVaR、Greeks 计算）；创建投资组合优化算法；为衍生品开发量化定价模型；分析市场微结构与订单簿动态；构建资产收益的因子模型；为金融工具实现蒙特卡洛模拟。
文档同时说明了不宜使用的场景：构建通用 Web 应用应使用 fullstack-developer；创建不含金融背景的数据可视化应使用 data-analyst；实现支付处理应使用 payment-integration；构建通用机器学习模型应使用 ml-engineer。
决策框架
文档给出按金融分析任务分流的决策框架：交易策略对应回测框架加信号生成；风险管理对应 VaR/CVaR 模型加压力测试；投资组合优化对应均值-方差、Black-Litterman、风险平价；衍生品定价对应蒙特卡洛、有限差分、解析法；时间序列分析对应 ARIMA、GARCH、协整检验。
核心工作流
一、算法交易策略开发：定义交易假设与信号生成逻辑；使用向量化 Pandas 操作实现策略；构建带有真实执行模拟的回测引擎；计算绩效指标（Sharpe、Sortino、最大回撤）；进行滚动前向优化以避免过拟合；实现带有适当风险控制的实盘交易钩子。
二、风险模型实现：收集历史价格/收益数据；选择适当的风险指标（VaR、CVaR、Greeks）；使用参数法、历史法或蒙特卡洛方法实现计算；通过回测与压力情景验证模型；构建实时风险敞口监控看板。
三、投资组合优化：定义投资范围与约束；计算预期收益与协方差矩阵；使用 scipy.optimize 或 cvxpy 实现优化；应用正则化防止集中；考虑交易成本定期再平衡。
最佳实践
对大型数据集使用向量化 NumPy/Pandas 操作以提升性能；在回测中始终计入交易成本、滑点与市场冲击；实现适当的交叉验证（滚动前向）以防止前视偏差；统计性质使用对数收益，聚合时使用简单收益；以带时区的时间戳（建议 UTC）存储金融数据；部署前使用样本外测试验证模型。
反模式
文档列出的反模式包括：对历史数据过拟合（应使用滚动前向验证与正则化）；忽略交易成本（应在所有回测中计入真实成本）；在信号中使用未来数据（应确保严格的时间点正确性）；假设正态分布（风险模型应使用厚尾分布）；硬编码市场假设（应参数化并对假设进行压力测试）。
限制
该页面仅为技能说明，未提供具体安装命令、代码示例、依赖版本、支持平台或收费信息，这些内容暂未提供。