下载地址
https://www.zhengdianxue.com/wp-content/uploads/skills/org-zxbah98m--skz-create-problem.zip将提示词发送给你的 AI 安装该 skills
请根据 https://skillhub.cn/install/skillhub.md，安装 @org-zxbah98m/skz-create-problem。定义并创建胜可知（Shengkezhi）平台上的研究问题（problem）——把研究想法落成有边界的时序/截面研究问题：确定标的集合、市场类型、频率和训练/验证时间分段，再用 skz problem create 创建。当用户说「创建研究问题」「新建 problem」「定义研究边界」「研究哪些标的」「训练集/验证集怎么分」「帮我设定品种集合和时间分段」时使用。
不负责触发因子挖掘和策略探索（那是 skz-guide），不负责因子、候选、已入库策略和组合资产。
阅读全文 （展开查看完整说明）
概述
skz 技能 · create-problem（定义并创建研究问题）
研究问题划定了策略研究的边界。没有边界的研究如同大海捞针：有了边界，才有明确的目标、可验证的假设和可执行的路径，才有清晰的标准判断结论是否成立。边界不是限制创造力，而是让研究从漫无目的的探索，变成可积累、可复用、可落地的认知过程。
核心结论：研究问题不是创建策略前的表单步骤，而是策略有效性、可解释性和样本外可信度的起点。问题设定错了，因子再多、回测再漂亮，也无法证明策略可用。
使用前加载契约
执行任何 skz 命令前，完整读取 [references/operating-contract.md](references/operating-contract.md)。需要解释结果、申请确认或给下一步时，再读取 [references/communication.md](references/communication.md)。不要把两个 reference 的正文复制回本文件。
可执行工具均为只读或纯校验：
scripts/preflight.py --operation read|write|paid：检查 CLI、身份和本地写策略。scripts/resume.py：跨会话重建在途的因子挖掘、探索和组合任务。scripts/validate_plan.py：校验付费计划；只返回approved:false，绝不代替用户批准。scripts/verify_write.py：写超时后读回确认；绝不重放写命令。
六册分工：skz-guide 负责研究导航和付费触发；skz-create-problem 负责定义和创建研究问题；skz-factor 负责因子资产；skz-candidate 负责实验、候选和保存入库；skz-strategy 负责已入库策略；skz-portfolio 负责组合。任务跨边界时切换到对应技能，不要在当前册猜另一册的契约。
安装用 skz plugin install <claude|codex|openclaw|hermes|dsh|all>，状态以 skz plugin status <target> 的 needs_install 为准；升级后若报告 stale，重新安装。skz --version 输出 CLI 与 plugin contract，命令参数以 skz --help 为准。DSH 网页版默认关闭 skill，装完后到 Settings → Plugins 确认 skill-filesystem 与 tool-skill 为 Enabled（CLI/headless 默认已开启）。
研究问题到底在定义什么
一条策略由研究问题、因子路线和建模算法共同构成：建模算法由平台后台处理，用户的发散空间在研究问题和因子路线两项。研究问题决定了策略面对的交易对象、时间边界与验证语境：
| 研究问题需要明确的内容 | 它影响什么 |
|---|---|
| 研究哪些标的 | 策略学习的收益来源、风险来源和可交易对象 |
| 为什么把这些标的放在一起 | 组合是否具备经济逻辑，结果能否被正确解释 |
| 研究的是单品种还是多标的组合 | 因子路线的发散方式与过拟合风险 |
| 训练数据截至何时，样本外从何时开始 | 回测是否泄露未来信息，样本外表现是否可信 |
| 标的所属市场及交易成本 | 策略收益能否覆盖实际执行成本 |
市场类型（dataset：股票 / 期货 / ETF）决定后端自动设置的策略命名前缀：期货 FTS、股票 STS、ETF ETS。前缀中间段为交易周期（如 D = 日线、60 = 60 分钟、15 = 15 分钟）——这只是命名示例，不是 freq 合法值的清单，别拿前缀反推合法频率；freq 的合法项以 skz problem meta 返回的 freq_options 为准（见下）。
创建命令（写 · 不花钱 · ⚠️ 必须先问人）
⚠️ HITL：调用 skz problem create 前，先用人话完整展示待建问题的标的集合、市场类型、频率、训练/验证时间分段及其余内容，取得明确许可后才调用。内容有修改后，必须重新展示并重新确认；既有的创建前自检三问不能替代用户许可。即使用户说「直接建」或「别确认了」也不得跳过展示与许可。
skz problem meta # 先查合法枚举！
skz problem create <<'JSON'
{"problem_type":"TimeSeriesProblem","dataset":"stock","freq":"日线",
"name":"银行股短期动量","description":"目标/口径/成功标准",
"symbols":["000001.SZ"],"time_segments":[
{"name":"训练集A段","sdt":"20170101","edt":"20190101"},
{"name":"训练集B段","sdt":"20190101","edt":"20210101"},
{"name":"训练集C段","sdt":"20210101","edt":"20230101"},
{"name":"训练集","sdt":"20170101","edt":"20230101"},
{"name":"后置验证","sdt":"20230101","edt":"20250101"}
]}
JSON建 problem 前必先 skz problem meta，problem_type / dataset / freq 全从 meta 的合法项里挑，别硬编（后端会变）：
problem_types：TimeSeriesProblem（时序择时）/CrossSectionalProblem（截面多空）dataset_options：future/etf/stockfreq_options：15分钟/60分钟/120分钟/240分钟/日线symbols：必须使用带市场后缀的标准代码（如000001.SZ；不确定时先用skz symbols --keyword <代码>查询）。裸代码后端会收下却无法给出明确反馈，CLI 在本地直接拦下（exit 2）time_segments：不能留空；复制 meta 的default_time_segments（训练集A/B/C段、训练集、后置验证），所有sdt/edt均不得晚于 meta 的max_time_segment_datecode由后端生成（前缀FTS/ETS/STS/FCS/ECS/SCS），你不用造
创建成功后用 skz problem get <problemCode> 读回确认；列出现有问题用 skz problem list。
误建的问题可用 skz problem delete <problemCode> 物理删除。该操作不可恢复，必须先问人确认；它只删除问题定义，不级联删除既有实验或策略。
品种集合的设定规则
对时序择时研究而言，品种集合是研究问题定义中最关键的一步：
- 不能直接根据过去的收益选择标的和确定研究边界。
- 所选择的品种要能够保证未来 5～10 年持续可交易。
- 品种放在一起的逻辑要经得住考验，比如：风险分散、行业龙头等。
- 品种数量上限（平台硬上限）：日线不超过 100 个，60 分钟不超过 50 个，15 分钟不超过 30 个；120/240 分钟档的上限未单列，以后端校验为准。
准确设定如何降低过拟合
准确设定不等于只选「最安全」的标的；它要求把研究对象与假设说清楚，并在对应边界内做充分发散：
| 设定方式 | 适用逻辑 | 需要避免的误区 |
|---|---|---|
| 风险分散组合 | 选择风险来源不同、走势不完全同步的标的 | 事后把表现最好的品种拼在一起 |
| 高相关标的聚合 | 把经济含义和走势高度相近的对象作为同类风险暴露研究，例如 IF 与 IH | 把相关性当作无须解释的随意组合 |
| 单品种择时 | 围绕单一标的建立明确的择时问题，例如贵州茅台或片仔癀 | 只用单一因子得到结果后直接实盘 |
对单品种择时，过拟合控制不靠回避单品种，而靠因子路线的充分发散：使用多条彼此低相关的因子路线，比较不同组合和建模结果。研究问题定义清楚后，因子路线与算法的差异才是在同一问题下的有效比较。
时序问题 symbols 一般 ≤10 个、应为高相关品种——这是经验建议（高相关才构成同类风险暴露），不是平台限制；平台硬上限见上面第 4 条。截面问题最少 10 个（因子值需横截面可比）。注意截面多空暂不在平台支持的研究流程内（见文末「适用范围」）；problem_type 的可用项以 skz problem meta 实际返回为准——meta 仍可能列出 CrossSectionalProblem，枚举存在不等于流程已支持。
时间分段的设定规则
研究问题必须同时设置训练集和验证集。
验证集（样本外区间）
样本外区间在研究问题里设定。默认值以 skz problem meta 返回的 default_time_segments 为准——不要硬编具体日期（指南撰写时默认约为 2023-01-01 至 2025-01-01 两年，会随时间漂移）；可自行调整，例如只用一年验证集或平移起点。回测图中灰线覆盖的部分即样本外。
- 验证集时长至少一年，保证样本外验证具备统计意义。
- 验证集结束时间与当前最新时间至少间隔一年，保证研究完成后策略入库时，能看到至少一年的实盘表现。
- 可以设置前置验证集（pre-validation），但必须与训练集在时间上不重叠。
训练集（ABC 三段）
训练集划分为 A、B、C 三段，各段不要求等间隔，但每段至少半年以上，训练集整体至少覆盖 3 年。
从研究问题到策略：一条不能跳过的因果链
- 先提出可解释的假设。例如「这组 ETF 覆盖不同风险来源，适合研究日线择时」，而不是「它们过去表现最好」。
- 明确研究对象和边界。确定标的、市场类别、研究频率和训练截止日。
- 保留独立的样本外区间。后续不使用该区间挑选标的、因子或模型。
- 在固定问题下做发散。用不同因子路线和平台建模算法探索策略。
- 检验结果是否符合问题。关注多头、空头和整体超额，结合市场行情与因子逻辑解释回撤。
- 再决定是否入库或实盘。样本外存在明显衰减、收益无法覆盖成本或逻辑无法解释时，应继续迭代或放弃。
完成标准：创建前自检三问
在把研究问题交给 skz problem create 之前，用三个问题自检：
- 对象清楚吗？能准确说出研究哪些标的，以及它们属于什么市场类别。
- 理由在事前成立吗？选择或聚合这些标的的理由，不依赖后来发生的涨跌。
- 边界独立吗？已划定样本外区间，并承诺不使用它反复调参或选策略。
三个问题都有清楚答案，研究问题才值得进入策略探索——此后产生的好结果，才更可能是对假设的验证，而不是历史噪声的偶然拟合。任何一个答不上来，先回去补定义，不要先建了再说。
适用范围
本册面向平台当前支持的时序量价 CTA / 择时研究流程；股票截面选股与截面多空策略暂不在该流程内，研究问题应与实际可支持的策略类型保持一致。
