Ottimizzazione evolutiva multi-obiettivo per cutoff percentili per metrici e selezione della configurazione basata sull'intersezione. TRIGGER: ottimizzazione della classifica, ricerca dei cutoff, intersezione delle metriche, cutoff di Optuna, ricerca evolutiva, classifica percentile, classifica multi-obiettivo, selezione della configurazione, analisi dei sopravvissuti, metriche vincolanti, cutoff della frontiera di Pareto.
Installa rapidamente la skill AI evolutionary-metric-ranking nel tuo ambiente di sviluppo tramite riga di comando
Fonte: terrylica/cc-skills.
Methodology for systematically zooming into high-quality configurations across multiple evaluation metrics using per-metric percentile cutoffs, intersection-based filtering, and evolutionary optimization. Domain-agnostic principles with quantitative trading case studies.
Companion skills: rangebar-eval-metrics (metric definitions) | adaptive-wfo-epoch (WFO integration) | backtesting-py-oracle (SQL validation)
Raw metric values live on incompatible scales (Kelly in [-1,1], trade count in [50, 5000], Omega in [0.8, 2.0]). Percentile ranking normalizes every metric to [0, 100], making cross-metric comparison meaningful.
Ottimizzazione evolutiva multi-obiettivo per cutoff percentili per metrici e selezione della configurazione basata sull'intersezione. TRIGGER: ottimizzazione della classifica, ricerca dei cutoff, intersezione delle metriche, cutoff di Optuna, ricerca evolutiva, classifica percentile, classifica multi-obiettivo, selezione della configurazione, analisi dei sopravvissuti, metriche vincolanti, cutoff della frontiera di Pareto. Fonte: terrylica/cc-skills.
Campi e comandi stabili per citazioni AI/ricerca.
npx skills add https://github.com/terrylica/cc-skills --skill evolutionary-metric-rankingOttimizzazione evolutiva multi-obiettivo per cutoff percentili per metrici e selezione della configurazione basata sull'intersezione. TRIGGER: ottimizzazione della classifica, ricerca dei cutoff, intersezione delle metriche, cutoff di Optuna, ricerca evolutiva, classifica percentile, classifica multi-obiettivo, selezione della configurazione, analisi dei sopravvissuti, metriche vincolanti, cutoff della frontiera di Pareto. Fonte: terrylica/cc-skills.
Apri il tuo terminale o strumento da riga di comando (Terminal, iTerm, Windows Terminal, ecc.) Copia ed esegui questo comando: npx skills add https://github.com/terrylica/cc-skills --skill evolutionary-metric-ranking Dopo l'installazione, la skill verrà configurata automaticamente nel tuo ambiente AI di coding e sarà pronta all'uso in Claude Code, Cursor o OpenClaw
https://github.com/terrylica/cc-skills