# adaptive-wfo-epoch

Скилл adaptive-wfo-epoch подбирает число эпох обучения на каждом фолде walk-forward оптимизации и ранжирует кандидатов по walk-forward efficiency, а не по одному фиксированному значению.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode, Windsurf (Devin Desktop), Claude.ai · 146 установок · ★ 3 у репозитория
- Автор: terrylica
- Лицензия: MIT · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/terrylica/cc-skills/tree/HEAD/plugins/quant-research/skills/adaptive-wfo-epoch/SKILL.md
- Обновлён: 2026-10-25
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/adaptive-wfo-epoch

## Что делает

Скилл задаёт методику выбора числа эпох обучения для walk-forward оптимизации: на каждом фолде модель прогоняют по нескольким кандидатам, для каждого считают walk-forward efficiency как отношение OOS-Sharpe к IS-Sharpe, а затем берут эпоху с эффективного фронта Парето — ту, которую не перебивает другой кандидат сразу и по WFE, и по времени обучения. Выбранное значение переносится на следующий фолд как prior.

Скилл состоит из markdown-справки и Python-модуля `adaptive_wfo_epoch` с `AWFESConfig.from_search_space`, который строит логарифмическую сетку эпох от границ поиска, и `compute_efficient_frontier`. Отдельные файлы описывают литературную базу, конфигурацию, гардурейлы и агрегацию WFE. Пороги: ниже 0.30 отказ, 0.50 предупреждение, 0.70 цель; минимум IS-Sharpe считается как `2/sqrt(n)`. Модели скилл не тренирует: в `allowed-tools` только `Read`, `Grep`, `Glob`, `Bash`, цикл обучения остаётся вашим.

Под нулевой гипотезой WFE идёт по распределению Коши, у которого нет среднего, поэтому по фолдам лучше агрегировать медианой или pooled-оценкой, взвешенной по размеру выборки. Обычное среднее здесь соврёт.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add terrylica/cc-skills --skill adaptive-wfo-epoch -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/adaptive-wfo-epoch/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/adaptive-wfo-epoch/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add terrylica/cc-skills --skill adaptive-wfo-epoch -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/adaptive-wfo-epoch/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add terrylica/cc-skills --skill adaptive-wfo-epoch -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/adaptive-wfo-epoch/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install terrylica/cc-skills plugins/quant-research/skills/adaptive-wfo-epoch
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/adaptive-wfo-epoch/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add terrylica/cc-skills --skill adaptive-wfo-epoch -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/terrylica/cc-skills --path plugins/quant-research/skills/adaptive-wfo-epoch
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/adaptive-wfo-epoch/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add terrylica/cc-skills --skill adaptive-wfo-epoch -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/terrylica/cc-skills/tree/HEAD/plugins/quant-research/skills/adaptive-wfo-epoch/SKILL.md

## Когда брать
- подобрать число эпох на каждом фолде walk-forward, а не одно на весь прогон
- поймать переобучение по падению WFE между in-sample и out-of-sample
- построить эффективный фронт «эпоха против времени обучения»
- перенести выбранную эпоху на следующий фолд как стартовое приближение
- сравнить фолды разного размера через pooled или медианный WFE

## Примеры запросов агенту
- Подбери эпохи обучения для walk-forward оптимизации по WFE на каждом фолде
- Посчитай эффективный фронт по кандидатам и перенеси выбор на следующий фолд
- Проверь, не переобучены ли эпохи, и агрегируй WFE медианой по фолдам

## Похожие
- [signal-classification](https://affpapa.org/nevibecode/skills/signal-classification.md) — скилл · 583 установки
- [optim-agent](https://affpapa.org/nevibecode/skills/optim-agent.md) — скилл · ★ 796 у репозитория
- [Monte-Neo strategy verifier](https://affpapa.org/nevibecode/mcp/monte-neo-strategy-verifier.md) — MCP-сервер · ★ 10 у репозитория
- [risk-metrics-calculation](https://affpapa.org/nevibecode/skills/risk-metrics-calculation.md) — скилл · 11000 установок
- [experiment-pipeline](https://affpapa.org/nevibecode/skills/experiment-pipeline.md) — скилл · 405 установок
- [Epoch](https://affpapa.org/nevibecode/mcp/epoch.md) — MCP-сервер · ★ 8 у репозитория

Из того же набора: [terrylica/cc-skills](https://affpapa.org/nevibecode/by/terrylica/cc-skills.md) — 79 карточек

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md
