PandaAI 投研Skills
简介
PandaAI投研Skills是一个基于Kiro Steering机制的量化投研辅助工具。通过自然语言交互，帮助用户快速完成量化投研任务，包括因子编写、数据查询、因子分析、技术指标应用等。
核心功能
- 因子编写：支持公式模式和Python模式，快速将投资逻辑转化为可执行代码
- 数据查询：提供完整的panda_data API调用指导，获取日线、分钟线、因子、财务等数据
- 技术指标：内置100+技术指标函数，涵盖趋势、震荡、波动率、成交量等类别
- 因子分析：指导IC分析、分组回测、因子评估等量化研究流程
- 股票筛选：构建多条件组合筛选，支持动态筛选条件
- 代码库集成：与panda_factor代码库集成
安装和配置
前置要求
- 安装Kiro/Cursor/Other IDE
- 克隆或下载包含panda_factor代码库的项目https://github.com/PandaAI-Tech/panda_factor
配置步骤
-
确保Steering文件存在
Skills的核心文件位于：
.kiro/steering/pandaai-research.md -
确保参考文档存在
Skills依赖以下参考文档（位于项目根目录）：
PandaAI 因子编写与函数参考手册.mdPandaAI工作流-数据API说明.md
-
激活Skills
在Kiro聊天中使用
#PandaAI标签手动激活Skills：#PandaAI 帮我写一个20日动量因子
文件结构
项目根目录/
├── .kiro/
│ └── steering/
│ └── pandaai-research.md # Skills核心文件
├── PandaAI 因子编写与函数参考手册.md # 因子编写参考
├── PandaAI工作流-数据API说明.md # 数据API参考
└── panda_factor/ # 代码库
└── panda_factor/
├── generate/
│ ├── factor_base.py # Factor基类
│ └── factor_utils.py # 工具类
└── analysis/
├── factor.py # 因子分析类
└── factor_analysis.py # 分析函数
使用示例
示例1：编写动量因子（公式模式）
用户输入：
#PandaAI 帮我写一个20日动量因子
Skills输出：
**因子名称**：20日动量因子
**因子逻辑**：计算过去20日的收益率，并进行截面排名
**公式代码**：
RANK(CLOSE / DELAY(CLOSE, 20) - 1)
**参数说明**：
- CLOSE：收盘价
- DELAY(CLOSE, 20)：20日前的收盘价
- RANK：截面排名，归一化到[0,1]
示例2：编写复合因子（Python模式）
用户输入：
#PandaAI 用Python写一个结合动量和波动率的因子
Skills输出：
from panda_factor.generate.factor_base import Factor
class MomentumVolatilityFactor(Factor):
"""动量波动率复合因子"""
def calculate(self, factors):
close = factors['close']
# 计算20日动量
returns = self.RETURNS(close, 20)
momentum = self.RANK(returns)
# 计算20日波动率
daily_returns = self.RETURNS(close, 1)
volatility = self.STDDEV(daily_returns, 20)
vol_signal = self.RANK(volatility)
# 组合：动量/波动率（风险调整后的动量）
result = momentum - vol_signal * 0.5
return result
示例3：查询股票数据
用户输入：
#PandaAI 怎么获取平安银行最近一个月的日线数据
Skills输出：
import panda_data
panda_data.init()
df = panda_data.get_market_data(
symbol="000001.SZ",
start_date="20250101",
end_date="20250131",
type="stock",
fields=['open', 'high', 'low', 'close', 'volume']
)
print(df)
示例4：因子分析指导
用户输入：
#PandaAI IC是什么意思，多少算好
Skills输出：
**IC（信息系数）**
**定义**：IC是因子值与未来收益的相关系数，衡量因子的预测能力。
**计算方法**：IC = corr(因子值, 未来N日收益)
**评估标准**：
| IC绝对值 | 评价 |
|----------|------|
| > 0.05 | 较强预测能力 |
| 0.03-0.05| 中等预测能力 |
| < 0.03 | 较弱预测能力 |
**注意事项**：
- IC为负表示因子值越小，未来收益越高
- 需要关注IC的稳定性（IC_IR = IC均值/IC标准差）
- IC_IR > 0.5 表示因子较为稳定
示例5：技术指标应用
用户输入：
#PandaAI 帮我写一个MACD金叉信号因子
Skills输出：
**因子名称**：MACD金叉信号因子
**因子逻辑**：当MACD线上穿信号线时产生买入信号
**公式代码**：
dif = EMA(CLOSE, 12) - EMA(CLOSE, 26)
dea = EMA(dif, 9)
IF(CROSS(dif, dea), 1, 0)
**参数说明**：
- EMA(CLOSE, 12)：12日指数移动平均
- EMA(CLOSE, 26)：26日指数移动平均
- CROSS(dif, dea)：DIF上穿DEA
常见问题
Q1: Skills没有响应？
确保使用 #PandaAI 标签激活Skills，因为该Skills配置为手动激活模式。
Q2: 文件引用报错？
检查项目根目录是否存在以下文件：
PandaAI 因子编写与函数参考手册.mdPandaAI工作流-数据API说明.md
Q3: 生成的代码无法运行？
确保已安装panda_factor和panda_data依赖包，并正确配置数据源连接。
相关资源
- PandaAI官网：https://www.pandaai.online/
- 操作指南：https://www.pandaai.online/docs?id=24
- panda_factor代码库：项目内
panda_factor/目录
版本信息
- Skills版本：1.0.0
- 适用Kiro版本：支持Steering功能的版本
