MCP App StoreMCP App Store
de agent-quantspace48
Outils de machine learning avancés pour la recherche quantitative, incluant l'entraînement PyCaret, la génération de facteurs ML et l'optimisation des poids creux LASSO.
Ce skill fournit un ensemble complet d'outils d'aide au machine learning conçus pour la recherche quantitative financière. Il permet à l'agent d'entraîner des modèles, de générer des prédictions et de gérer l'ajustement creux pour le suivi d'indice et l'analyse de facteurs.
Utilisez ce skill lorsque vous devez effectuer un entraînement de modèle via PyCaret, générer des pivots de facteurs transversaux classés par ML, ou créer des poids de suivi d'indice LASSO glissants pour la construction de portefeuille.
MLEngine (classification/régression), MLFactorEngine (compression de facteurs) et lasso_track (génération de poids).Conçu pour les agents opérant dans le framework Agent-QuantSpace, nécessitant probablement un environnement d'exécution Python avec des bibliothèques scientifiques (pandas, scikit-learn, PyCaret).
Cette compétence n'a pas encore été examinée par notre pipeline d'audit automatisé.
ICLR Submission Workflow
Project management for ICLR submissions, from topic selection and anonymization to OpenReview discussion and final camera-ready.
Agentic Data Science Competition
Assistant skill to run and manage Kaggle competition workflows: submission troubleshooting, score stabilization patterns, kernel workflows, and spec-driven dele
Cortex - ML Pipeline Builder
Guided ML pipeline builder that walks an agent through data validation, feature engineering, training, evaluation, and serving endpoints for classification or r
Scikit-learn (Classical ML reference)
Comprehensive scikit-learn guidance for classification, regression, clustering, preprocessing, model evaluation, and production-ready ML pipelines.
Cortex — ML Pipeline Builder
Build a reproducible ML training-to-serving pipeline: data validation, feature engineering, training, evaluation, and a serving endpoint.
Scikit-learn Reference
Comprehensive, practical reference for classical machine learning workflows using scikit-learn: preprocessing, pipelines, supervised and unsupervised algorithms
Scikit-learn — Machine Learning Reference
Comprehensive scikit-learn guidance for classical machine learning: supervised/unsupervised algorithms, preprocessing, pipelines, evaluation and production-read
Scikit-learn Reference — Classical ML Workflows
Authoritative guidance for classical machine learning with scikit-learn: preprocessing, pipelines, model selection, evaluation, and example scripts for producti