统计 Alpha 引擎（Statistical Alpha Engine）
对整个交易品种池做横截面因子排名，回答'BTC 在 universe 里排第几'这类量化选币问题。
该技能为只读统计分析，不涉及资金操作、密钥或外部写入，无明显红线风险；SKILL.md 声明了数据来源与依赖路径（default_universe.py、因子缓存）。但未披露数据流细节（on-chain 因子来自何处）、无金融风险提示或用户确认机制，且上游 LLM 调用透明度有限。扣分：数据流披露不完整、无敏感边界说明与回滚/确认机制。
persona.md 提供 Tier-0 输出契约、推理规则（z≥|2.0|、分位分类）和两个 few-shot 示例，主路径在框架内可信；但未展示该 agent 专属的测试覆盖（所给测试文件不涉及 2.2 的关键路径），缺异常输入的失败反馈与降级说明，Factor_Confluence 数值规则表述粗糙（示例固定 95）。扣分：关键路径复现证据不足、错误处理薄弱。
场景明确（跨截面排名、BTC/ETH 排名与 z-score 查询），触发语义较清晰；但未声明能力边界（宇宙大小、数据缺失时的行为、不适用范围），无中文支持说明，且依赖 crypto 数据管线，环境适配证据有限。扣分：边界与非适用范围未声明。
SKILL.md 结构清晰，声明了依赖与查询接口，persona 提供输出 schema 与 few-shot；仓库有 AGPL-3.0、版本化 pyproject、CI 与维护信号。但该技能自身无版本/变更记录、无已知限制披露、无 FAQ，与其他 13 个 SKILL.md 的治理关系未说明。扣分：技能级版本治理与限制披露缺失。
输出契约为结构化 JSON（tier0/v1），含排名、z-score、alpha 信号，可直接被下游消费；作为整体流水线一环有边际价值。但静态审查无法验证输出正确性或信号有效性，README 亦承认'单一回测盈利不构成 edge'，相对手工统计的增益无证据。扣分：结果有效性与比较优势证据不足。
仓库提供 CI 工作流、pytest 套件与固定数据 + MANIFEST 哈希，属可审计的一手材料；但所给测试未覆盖 2.2 alpha engine 的关键路径，few-shot 输出为作者自拟，无第三方执行证据或跨源印证。扣分：可复现证据覆盖面薄，主张与证据未分离。
- alpha 信号与 Factor_Confluence 规则未经执行验证，不应作为实际交易决策依据；README 亦提示单一回测不构成 edge。
- 该技能未声明数据缺失、宇宙规模变化时的行为边界，异常输入下的失败反馈未知。
- 无中文文档支持；on-chain/因子数据来源依赖海外加密数据管线，中国大陆可达性未验证。
- 技能级版本与维护责任未单独声明，升级兼容性需自行跟踪仓库变更。
- 发布者未经 FollowSkills 企业注册表验证，身份未知（不构成扣分理由，但需注意）。
这个 Skill 能做什么，适合哪些场景？
这是 olaxbt/ai-market-maker 仓库（一套对冲基金风格的加密货币多智能体交易系统，共打包 14 个技能）中的一个独立技能，位于 src/agents/operator/2.2_statistical_alpha_engine/。它基于全品种 OHLCV 数据和因子缓存（动量、价值、波动率、链上指标）计算横截面排名与 z-score，输出 alpha 信号和因子共振结果。该技能依赖仓库内的 universe 配置和统计因子计算管线，因此需要整个父仓库才能运行。适合已部署 AIMM 栈、需要统计类研究台信号的量化使用者。
读取全 universe 的 OHLCV 数据和因子缓存；通过 analyze(ticker, market_data) 返回 Tier-0 契约格式的横截面排名；支持直接查询如'BTC 在 universe 中排第几'或'ETH 的横截面 z-score 是多少'；提供查询接口 /statistical_alpha_engine?ticker=BTC/USDT，返回横截面排名、z-score、alpha 信号和因子共振信息。
- 量化研究者在多币种 universe 中需要快速定位某个币的相对强弱排名
- AIMM 系统中的 Statistical Alpha 研究台在信号合成前需要因子层面的输入
- 开发者想验证某个币的动量/价值/波动率/链上因子是否同向共振
- 回测流程中需要按 z-score 筛选相对强势或弱势资产
这个 Skill 有哪些优点和局限？
- 横截面排名 + z-score 是标准量化方法，输出结构化（Tier-0 契约），便于下游信号合成
- 因子维度覆盖动量、价值、波动率和链上指标，不只看价格
- 属于活跃维护的开源 AIMM 系统的一部分，AGPL-3.0 许可、代码可审计
- 强依赖父仓库：需要 universe 配置（src/config/default_universe.py）和因子计算管线，无法脱离 AIMM 单独使用
- README 明确警告单一盈利回测不等于真实 edge，需多 regime 与样本外验证
- 该技能本身的独立测试和准确率证据在源材料中未提供
- AGPL-3.0 对以网络服务形式运行修改版有源码公开义务，商用需评估
如何安装这个 Skill？
该技能不是独立安装包，需先克隆整个父仓库：git clone https://github.com/olaxbt/ai-market-maker.git && cd ai-market-maker；安装 uv，安装 TA-Lib（推荐 conda install -y ta-lib -c con-forge），再运行 uv sync --extra dev。若使用 OpenClaw，可运行 claw install https://github.com/olaxbt/ai-market-maker。技能文件位于 src/agents/operator/2.2_statistical_alpha_engine/SKILL.md。
如何使用这个 Skill？
部署父仓库后，通过查询接口调用：/statistical_alpha_engine?ticker=BTC/USDT，返回横截面排名、z-score、alpha 信号和因子共振；或在对话中直接提问，如'BTC 在 universe 里排名如何？'或'ETH 的横截面 z-score 是多少？'。SKILL.md 未单独给出独立 CLI 命令，具体调用入口以父仓库 API/agent 流程为准。
这个 Skill 与同类方案有什么区别？
在同一 AIMM 系统内，它与 Technical TA Engine（形态与指标识别）和 Sentiment & Narrative（新闻与情绪）并列，分别覆盖统计因子、技术分析和情绪三类信号；本技能专注于因子和横截面统计。