用途：本技能包针对金融机器学习结果，梳理一个回测数字“看起来可信却并不真实”的五类机制，用于在把回测数字当作证据之前进行检验。方法来源为金融机器学习领域的标准做法（多数归于 Marcos López de Prado，信息比率框架来自 Grinold & Kahn），内容只陈述机制与应检查项。
主要能力：一、净化交叉验证与禁运：按标签窗口（而非时间戳）从训练集剔除与测试集标签窗口重叠的观测，并在每个测试折后加一段禁运带以应对特征序列相关；组合净化CV可给出多条回测路径与分布而非单一夏普。二、三重障碍标注：以上盈、止损、时限三道障碍中先被触及者作为标签，水平通常按波动率缩放。三、重叠标签下的样本唯一性：用平均唯一性加权，或采用顺序自助抽样；仅报行数作样本量是错误数字。四、分数阶差分：取通过平稳性检验且与原始序列相关性最大的最小阶数 d，d 是搜索所得结果并应报告。五、元标注：主模型决定方向（多、空、平），次级模型决定是否出手，从而在不动方向逻辑的前提下提高精度。六、多重检验问题：报告尝试的配置数 N；夏普比率在缺少试验次数时无法解读，可用紧缩夏普比率校正，但其精确表达式须以原始文献为准实现。
使用方式：资料未提供具体安装命令或代码示例；仅说明随附 quant 命令集已覆盖订单簿、VWAP/TWAP 与实施缺口等内容，本包不重复这些，也不涉及执行、订单路由、市场微结构与组合构建。
适用场景：金融机器学习策略回测与模型验证阶段的审查与自查。限制：本文刻意不复述公式，凡需精确表达式（尤其紧缩夏普比率）应核对原始来源；禁运带宽等参数无通用取值，使用时需说明所用值与理由；具体平台、收费与价格资料暂未提供。