quant-research-skill：Claude Code 量化金融研究插件与多代理审校机制

quant-research-skill是Claude Code的量化金融研究插件，旨在成为研究员的智能助手。它采用假设驱动的工作流，支持时间序列验证和稳健性测试，并引入双层多代理审校机制（正确性×主张-依据），以提升AI生成内容在金融领域的可靠性，展示了AI代理在严肃金融研究中的应用潜力。

传统量化研究流程耗时漫长，需大量人工投入。随着大语言模型和AI代理技术发展，该领域迎来变革。quant-research-skill定位为AI辅助工具，非取代研究员，而是自动化可重复部分，让研究员聚焦创造性思考与关键决策。

假设驱动工作流：从明确假设出发，形式化原假设/备择假设、检验统计量、显著性水平；自动规划数据需求（数据源识别、质量检查、对齐、特征工程）；协助模型选择与估计；执行假设检验（统计与经济显著性评估）。

时间序列验证：针对金融数据特性，提供前向验证（模拟真实部署，避免未来信息泄露）、样本外测试（多种划分方案）、结构变化检测（Chow检验、CUSUM检验等）。

为避免过拟合，插件提供全面测试：

• 参数敏感性分析：网格搜索、随机扰动、参数稳定性评估；
• 数据扰动测试：Bootstrap重采样、蒙特卡洛模拟、数据删减；
• 市场条件变化：牛市/熊市、波动率状态、流动性条件下的表现；
• 交易成本与摩擦：滑点模型、佣金扣除、市场冲击模拟。

插件创新点在于双层审校： 第一层：正确性审查：代码审查（语法/逻辑漏洞）、统计审查（计算正确性、方法适用性）、数据审查（引用/预处理规范）； 第二层：主张-依据审查：识别主张、验证支持依据、审查限定条件、反例检验； 协同流程：初稿生成→并行审查→问题聚合→迭代修正→再审→人工介入（争议时）。

适用于多种场景：

• 学术研究：加速假设检验与稳健性测试，聚焦理论构建；
• 买方研究：快速筛选因子、评估策略，提升产出；
• 策略回测：识别过拟合风险，提高实盘成功率；
• 教学培训：展示规范流程，助力学习。

局限：数据依赖、模型风险、黑盒问题、责任归属未明确； 展望：多模态能力（处理非结构化信息）、实时学习（从实盘优化）、协作研究（多代理共享发现）。