について
このスキルは、バックテスト、アルファ生成、ファクターモデル開発を含む、専門的な量的取引研究機能を提供します。システマティックトレーディング戦略、統計的アービトラージ、または平均回帰やモメンタムのようなシグナルの分析に取り組む際にご利用ください。過剰適合を回避し、仮説を実行可能な優位性へと変換するために、統計的厳密性を重視しています。
クイックインストール
Claude Code
推奨npx skills add omer-metin/skills-for-antigravity -a claude-code/plugin add https://github.com/omer-metin/skills-for-antigravitygit clone https://github.com/omer-metin/skills-for-antigravity.git ~/.claude/skills/quantitative-researchこのコマンドをClaude Codeにコピー&ペーストしてスキルをインストールします
GitHub リポジトリ
Frequently asked questions
What is the quantitative-research skill?
quantitative-research is a Claude Skill by omer-metin. Skills package instructions and resources that Claude loads on demand, so Claude can perform quantitative-research-related tasks without extra prompting.
How do I install quantitative-research?
Use the install commands on this page: add quantitative-research to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.
What category does quantitative-research belong to?
quantitative-research is in the Meta category, tagged testing.
Is quantitative-research free to use?
Yes. quantitative-research is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.
関連スキル
このスキルは、Content Collections(Markdown/MDXファイルを型安全なデータコレクションに変換するTypeScriptファーストのツール)の本番環境でテストされた設定を提供します。Zodバリデーションによる型安全性を実現し、ブログ、ドキュメントサイト、コンテンツ重視のVite + Reactアプリケーション構築時にご利用ください。Viteプラグインの設定、MDXコンパイルから、デプロイ最適化、スキーマバリデーションまで、すべてを網羅しています。
このスキルは、開発者がPolymarket予測市場プラットフォームを活用したアプリケーション構築を可能にします。API統合による取引や市場データの取得に加え、WebSocketを介したリアルタイムデータストリーミングにより、ライブ取引や市場活動を監視できます。取引戦略の実装や、ライブ市場更新を処理するツールの作成にご利用ください。
このスキルは、開発者がコマンド、ファイル、LSP操作など25種類以上のイベントタイプにフックするOpenCodeプラグインを作成することを支援します。JavaScript/TypeScriptモジュール向けに、プラグイン構造、イベントAPI仕様、および実装パターンを提供します。カスタムイベント駆動ロジックでOpenCode AIアシスタントのライフサイクルをインターセプト、監視、または拡張する必要がある場合にご利用ください。
SGLangは、高性能なLLMサービングフレームワークであり、RadixAttentionプレフィックスキャッシュを活用したJSON、正規表現、エージェントワークフロー向けの高速で構造化された生成を特長とします。特にプレフィックスが繰り返されるタスクにおいて、大幅に高速な推論を実現し、複雑な構造化出力やマルチターン対話に最適です。制約付きデコードが必要な場合や、広範なプレフィックス共有を伴うアプリケーションを構築する場合は、vLLMなどの代替案ではなくSGLangを選択してください。
