[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"extension-skill-Whatsonyourmind-oraclaw-risk-de":3,"guides-for-Whatsonyourmind-oraclaw-risk":429,"similar-k175hcr2vrk1jz3a357vfpkyss86nxck-de":430},{"_creationTime":4,"_id":5,"children":6,"community":7,"display":9,"evaluation":15,"identity":244,"isFallback":239,"parentExtension":249,"providers":250,"relations":256,"repo":259,"tags":425,"workflow":426},1778699170210.562,"k175hcr2vrk1jz3a357vfpkyss86nxck",[],{"reviewCount":8},0,{"description":10,"installMethods":11,"name":13,"sourceUrl":14},"Risikobewertungs-Engine für KI-Agenten. Value at Risk (VaR), CVaR, Stresstests und mehrfaktorielle Risikobewertung. Angetrieben durch Monte-Carlo-Simulationen. Entwickelt für Trading-Agenten, Kreditagenten und Portfoliomanager.",{"claudeCode":12},"Whatsonyourmind/oraclaw","oraclaw-risk","https://github.com/Whatsonyourmind/oraclaw",{"_creationTime":16,"_id":17,"extensionId":5,"locale":18,"result":19,"trustSignals":225,"workflow":242},1778699170210.5623,"kn7eafb3chk8tz8wxa10q18mxn86m5s8","de",{"checks":20,"evaluatedAt":191,"extensionSummary":192,"features":193,"nonGoals":200,"promptVersionExtension":204,"promptVersionScoring":205,"purpose":206,"rationale":207,"score":208,"summary":209,"tags":210,"tier":219,"useCases":220},[21,26,29,32,36,39,43,48,51,54,58,62,65,69,72,75,78,81,84,87,90,94,98,102,106,109,112,116,120,123,126,129,132,135,138,142,146,150,153,157,160,163,166,169,173,176,179,182,185,188],{"category":22,"check":23,"severity":24,"summary":25},"Praktischer Nutzen","Problemrelevanz","pass","Die Beschreibung benennt klar das Problem der Risikobewertung für KI-Agenten und spezifiziert seine Anwendung für Trading, Kreditvergabe und Portfoliomanagement.",{"category":22,"check":27,"severity":24,"summary":28},"Alleinstellungsmerkmal","Die Fähigkeit bietet fortgeschrittene Risikobewertungsfunktionen (VaR, CVaR, Stresstests, Monte Carlo), die über Standard-LLM-Fähigkeiten hinausgehen, und liefert deterministische Antworten für komplexe Finanzszenarien.",{"category":22,"check":30,"severity":24,"summary":31},"Produktionsbereitschaft","Die Fähigkeit ist produktionsreif, bietet ein klares Preismodell, dokumentierte Nutzung über API und SDK sowie Nachweise für mehrere unabhängige Implementierungen in realen Projekten.",{"category":33,"check":34,"severity":24,"summary":35},"Umfang","Single Responsibility Principle","Die Fähigkeit konzentriert sich auf Risikobewertung und quantitative Analyse für Finanzagenten und hält sich an eine einzige Domäne.",{"category":33,"check":37,"severity":24,"summary":38},"Qualität der Beschreibung","Die angezeigte Beschreibung ist korrekt, prägnant und kommuniziert effektiv den Zweck der Fähigkeit und ihre Zielgruppe.",{"category":40,"check":41,"severity":24,"summary":42},"Aufruf","Umfangreiche Werkzeuge","Die Werkzeuge der Fähigkeit, wie sie in SKILL.md und README impliziert werden, sind spezifisch für Risikobewertung und quantitative Analyse und vermeiden allgemeine Ausführungen.",{"category":44,"check":45,"severity":46,"summary":47},"Dokumentation","Konfigurations- & Parameterreferenz","info","Die SKILL.md erwähnt die Umgebungsvariable `ORACLAW_API_KEY`, beschreibt jedoch nicht explizit die Reihenfolge der Priorität oder Standardwerte für andere Konfigurationen.",{"category":33,"check":49,"severity":24,"summary":50},"Werkzeugbenennung","Die in der Dokumentation erwähnten Werkzeugnamen, wie 'analyze_risk' und 'simulate_montecarlo', sind beschreibend und relevant für die Finanzrisikodomäne.",{"category":33,"check":52,"severity":24,"summary":53},"Minimale E/A-Oberfläche","Die Beispiel-Eingabe für Portfolio-VaR ist spezifisch und fragt nur nach notwendigen Parametern. Die beschriebenen Ausgaben (VaR, CVaR, Beitrag) konzentrieren sich auf die Aufgabe.",{"category":55,"check":56,"severity":24,"summary":57},"Lizenz","Lizenznutzbarkeit","Das Projekt ist unter der MIT-Lizenz lizenziert, wie aus der LICENSE-Datei und der README ersichtlich ist.",{"category":59,"check":60,"severity":24,"summary":61},"Wartung","Aktualität der Commits","Der letzte Commit war am 2. Mai 2026, was aktuell ist.",{"category":59,"check":63,"severity":24,"summary":64},"Abhängigkeitsverwaltung","Das Projekt basiert auf Standard-Node.js-Paketen und scheint eine robuste Abhängigkeitsverwaltung zu haben, was durch seine Präsenz auf npm und die MIT-Lizenz angezeigt wird.",{"category":66,"check":67,"severity":24,"summary":68},"Sicherheit","Geheimnisverwaltung","Die Fähigkeit erfordert einen API-Schlüssel (`ORACLAW_API_KEY`), behandelt ihn jedoch über Umgebungsvariablen, was eine Standard- und angemessene Praxis ist.",{"category":66,"check":70,"severity":24,"summary":71},"Injektion","Die Werkzeuge der Fähigkeit arbeiten mit strukturierten Finanzdaten und scheinen keine externen, nicht vertrauenswürdigen Codes oder Daten zu laden oder auszuführen.",{"category":66,"check":73,"severity":24,"summary":74},"Transitive Lieferketten-Granaten","Die Funktionalität der Fähigkeit ist in ihren npm-Paketen und der API in sich abgeschlossen, ohne Laufzeitabruf von Code oder Anweisungen von entfernten URLs.",{"category":66,"check":76,"severity":24,"summary":77},"Sandbox-Isolation","Die Fähigkeit funktioniert als API oder verwendet Standard-npm-Pakete, was impliziert, dass sie keine Dateien außerhalb ihres vorgesehenen Bereichs oder Projektordner modifiziert.",{"category":66,"check":79,"severity":24,"summary":80},"Sandbox-Flucht-Primitive","Es gibt keine Anzeichen für getrennte Prozesse oder Wiederholungsversuche bei abgelehnten Aufrufen; die Fähigkeit stützt sich auf deterministische API-Aufrufe.",{"category":66,"check":82,"severity":24,"summary":83},"Datenexfiltration","Die Fähigkeit verarbeitet Finanzdaten zur Risikobewertung und scheint keine vertraulichen Benutzerdaten an Dritte zu exfiltrieren.",{"category":66,"check":85,"severity":24,"summary":86},"Versteckte Texttricks","Der gebündelte Inhalt und die Dokumentation scheinen frei von versteckten Texttricks oder bösartigen Unicode-Zeichen zu sein.",{"category":66,"check":88,"severity":24,"summary":89},"Undurchsichtige Codeausführung","Die Fähigkeit wird über npm-Pakete und eine API vertrieben, ohne Anzeichen von verschleiertem Code oder Laufzeitausführung von heruntergeladenen Skripten.",{"category":91,"check":92,"severity":24,"summary":93},"Portabilität","Strukturelle Annahme","Die Fähigkeit stützt sich auf API-Aufrufe oder npm-Pakete und trifft keine Annahmen über die Dateistrukturen von Benutzerprojekten.",{"category":95,"check":96,"severity":24,"summary":97},"Vertrauen","Aufmerksamkeit für Issues","Mit 0 geöffneten und 44 geschlossenen Issues in den letzten 90 Tagen reagieren die Maintainer sehr schnell.",{"category":99,"check":100,"severity":24,"summary":101},"Versionierung","Release-Management","Die `manifestVersion` ist als 1.0.0 deklariert und eine CHANGELOG.md ist vorhanden, was auf eine klare Versionierung hindeutet.",{"category":103,"check":104,"severity":24,"summary":105},"Codeausführung","Validierung","Die Werkzeuge der Fähigkeit arbeiten mit strukturierten Finanzdaten, und der API/SDK-Ansatz impliziert eine Eingabevalidierung.",{"category":66,"check":107,"severity":24,"summary":108},"Ungeschützte destruktive Operationen","Die Fähigkeit ist primär analytisch und führt keine destruktiven Operationen durch.",{"category":103,"check":110,"severity":24,"summary":111},"Fehlerbehandlung","Das API- und SDK-Design legt eine strukturierte Fehlerbehandlung nahe, die spezifische Codes und Meldungen anstelle von rohen Ausnahmen zurückgibt.",{"category":103,"check":113,"severity":114,"summary":115},"Protokollierung","not_applicable","Da die Fähigkeit auf eine externe API und npm-Pakete angewiesen ist, gibt es keinen direkten Audit-Log, der im eigenen Code der Fähigkeit ausgewertet werden könnte.",{"category":117,"check":118,"severity":114,"summary":119},"Compliance","DSGVO","Die Fähigkeit verarbeitet Finanzdaten und verarbeitet per se keine personenbezogenen Daten.",{"category":117,"check":121,"severity":24,"summary":122},"Zielmarkt","Die finanziellen Risikobewertungsfunktionen der Fähigkeit sind global anwendbar, und es sind keine regionalen Einschränkungen angegeben.",{"category":91,"check":124,"severity":24,"summary":125},"Laufzeitstabilität","Die Fähigkeit verwendet Standard-Web-APIs und npm-Pakete, was die plattformübergreifende Kompatibilität sicherstellt.",{"category":44,"check":127,"severity":24,"summary":128},"README","Die README ist umfassend und beschreibt den Zweck, die Funktionen, die Implementierung und die Verwendung der OraClaw-Werkzeuge.",{"category":33,"check":130,"severity":24,"summary":131},"Größe der Werkzeugoberfläche","Die Fähigkeit stellt eine fokussierte Menge von 17 Werkzeugen bereit, was gut im empfohlenen Bereich liegt.",{"category":40,"check":133,"severity":24,"summary":134},"Überlappende Werkzeuge mit ähnlicher Bedeutung","Die Werkzeugnamen sind eindeutig und decken spezifische Bereiche der Risikobewertung und Optimierung ab, wodurch redundante, sich ähnelnde Namen vermieden werden.",{"category":44,"check":136,"severity":24,"summary":137},"Phantom-Funktionen","Alle beworbenen Funktionen, einschließlich der 17 MCP-Werkzeuge und SDK-Pakete, sind implementiert und dokumentiert.",{"category":139,"check":140,"severity":24,"summary":141},"Installation","Installationsanleitung","Klare Installationsanweisungen für den MCP-Server, die REST-API und das npm-SDK werden zusammen mit kopierbaren Beispielen bereitgestellt.",{"category":143,"check":144,"severity":24,"summary":145},"Fehler","Handhabbare Fehlermeldungen","Der API- und SDK-Ansatz impliziert strukturierte Fehlermeldungen mit Codes und möglichen Behebungsschritten.",{"category":147,"check":148,"severity":24,"summary":149},"Ausführung","Angepinnte Abhängigkeiten","Die Fähigkeit wird über npm vertrieben, was darauf hindeutet, dass Abhängigkeiten über package-lock.json verwaltet und wahrscheinlich angepinnt sind.",{"category":33,"check":151,"severity":114,"summary":152},"Dry-Run-Vorschau","Die Fähigkeit ist analytisch und führt keine Zustandsänderungen durch, die einen Dry-Run-Modus erfordern würden.",{"category":154,"check":155,"severity":24,"summary":156},"Protokoll","Idempotente Wiederholung & Timeouts","Das API-basierte Design und die Konzentration auf deterministische Berechnungen deuten darauf hin, dass Operationen wahrscheinlich idempotent sind und Timeouts vom Dienst implementiert wurden.",{"category":117,"check":158,"severity":24,"summary":159},"Telemetrie-Opt-in","Die Projektdokumentation erwähnt keine Telemetrie, was impliziert, dass diese entweder nicht erfasst oder streng optional ist.",{"category":40,"check":161,"severity":24,"summary":162},"Präziser Zweck","Die SKILL.md gibt klar den Zweck (Risikobewertungs-Engine) und die Anwendungsfälle (VaR, CVaR, Stresstests) für KI-Agenten an.",{"category":40,"check":164,"severity":24,"summary":165},"Prägnantes Frontmatter","Das Frontmatter ist prägnant und fasst die Kernfähigkeit der Fähigkeit und ihre Zielgruppe effektiv zusammen.",{"category":44,"check":167,"severity":24,"summary":168},"Prägnanter Hauptteil","Die SKILL.md ist gut strukturiert und lagert weiterführendes Material angemessen in externe Dateien oder Beispiele aus.",{"category":170,"check":171,"severity":24,"summary":172},"Kontext","Progressive Offenlegung","Die SKILL.md beschreibt Verfahren und verlinkt bei Bedarf auf externe Ressourcen, was eine progressive Offenlegung zeigt.",{"category":170,"check":174,"severity":114,"summary":175},"Gegabelte Erkundung","Die Funktion der Fähigkeit ist direkte Berechnung und Analyse, keine tiefgehende Erkundung, die einen gegabelten Kontext erfordert.",{"category":22,"check":177,"severity":24,"summary":178},"Anwendungsbeispiele","Die SKILL.md und die README bieten klare, sofort verwendbare Beispiele für die Berechnung des Portfolio-VaR, Monte-Carlo-Simulationen und Anomalieerkennung.",{"category":22,"check":180,"severity":24,"summary":181},"Randfälle","Die SKILL.md erwähnt Regeln für Verteilungen und Iterationen, was einige Randfälle implizit behandelt; weitere Dokumentation behandelt Preisstufen.",{"category":103,"check":183,"severity":114,"summary":184},"Werkzeug-Fallback","Die Fähigkeit stützt sich auf ihren eigenen bereitgestellten MCP-Server oder API und nicht auf externe, optionale Werkzeuge mit Fallbacks.",{"category":66,"check":186,"severity":24,"summary":187},"Halt bei unerwartetem Zustand","Die Verwendung einer API und strukturierte Eingaben deuten darauf hin, dass ungültige Zustände zu klaren Fehlern und Stopps führen würden.",{"category":91,"check":189,"severity":24,"summary":190},"Cross-Skill-Kopplung","Die Fähigkeit ist in sich geschlossen und scheint nicht auf die gleichzeitige Ladung anderer spezifischer Fähigkeiten angewiesen zu sein.",1778699022885,"OraClaw bietet eine Reihe deterministischer Werkzeuge für die finanzielle Risikobewertung, einschließlich Monte-Carlo-Simulationen, VaR, CVaR und Stresstests. Es ist über eine API, ein npm SDK und einen MCP-Server zugänglich.",[194,195,196,197,198,199],"Berechnung des Value at Risk (VaR)","Berechnung des Conditional Value at Risk (CVaR)","Monte-Carlo-Simulation für Szenarioanalysen","Stresstests von Finanzannahmen","Mehrfaktorielle Risikobewertung","Konvergenzanalyse von Risikoindikatoren",[201,202,203],"Durchführung grundlegender arithmetischer oder Wahrscheinlichkeitsberechnungen außerhalb finanzieller Risikokontexte","Bereitstellung von Finanzberatung oder Anlageempfehlungen","Ersetzung von Kern-LLM-Schlussfolgerungsfähigkeiten","3.0.0","4.4.0","KI-Agenten mit präzisen, mathematisch fundierten Risikobewertungsfähigkeiten auszustatten, um ihnen datengesteuerte Entscheidungen in finanziellen Kontexten zu ermöglichen.","Die Fähigkeit ist außergewöhnlich gut dokumentiert, robust über API und npm-Pakete implementiert und zeigt eine signifikante reale Akzeptanz. Geringfügiger Hinweis auf Konfigurationsdetails im Informationslevel.",98,"Eine qualitativ hochwertige, produktionsbereite Risikobewertungs-Engine für KI-Agenten.",[211,212,213,214,215,216,217,218],"risk-assessment","finance","monte-carlo","quantitative-analysis","trading","portfolio-management","cvar","var","verified",[221,222,223,224],"Berechnung des VaR für Portfolios oder einzelne Positionen","Durchführung von Stresstests für Finanzmodelle","Quantifizierung von Worst-Case-Szenarien mit Konfidenzintervallen","Bewertung von Kreditrisiken und Ausfallwahrscheinlichkeiten",{"codeQuality":226,"collectedAt":228,"documentation":229,"maintenance":232,"security":238,"testCoverage":241},{"hasLockfile":227},true,1778699008989,{"descriptionLength":230,"readmeSize":231},198,9472,{"closedIssues90d":233,"forks":234,"hasChangelog":227,"manifestVersion":235,"openIssues90d":8,"pushedAt":236,"stars":237},44,2,"1.0.0",1777714123000,8,{"hasNpmPackage":239,"license":240,"smitheryVerified":239},false,"MIT",{"hasCi":227,"hasTests":227},{"updatedAt":243},1778699170210,{"basePath":245,"githubOwner":246,"githubRepo":247,"locale":18,"slug":13,"type":248},"mission-control/packages/clawhub-skills/oraclaw-risk","Whatsonyourmind","oraclaw","skill",null,{"evaluate":251,"extract":254},{"promptVersionExtension":204,"promptVersionScoring":205,"score":208,"tags":252,"targetMarket":253,"tier":219},[211,212,213,214,215,216,217,218],"global",{"commitSha":255},"HEAD",{"repoId":257,"translatedFrom":258},"kd76fmxm1ng903s4fmj0p7hxxs86ndkg","k17apsy39kxc4xvn8cyg3rebb186nvjt",{"_creationTime":260,"_id":257,"identity":261,"providers":262,"workflow":421},1778698831609.0093,{"githubOwner":246,"githubRepo":247,"sourceUrl":14},{"classify":263,"discover":396,"github":399},{"commitSha":255,"extensions":264},[265,277,285,293,301,309,317,325,333,341,349,357,363,371,379],{"basePath":266,"description":267,"displayName":268,"installMethods":269,"rationale":270,"selectedPaths":271,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-anomaly","Anomaly detection for AI agents. Z-score, IQR, and streaming detection. Find outliers in data instantly. Sub-millisecond response. Works on single values or full datasets.","oraclaw-anomaly",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-anomaly/SKILL.md",[272],{"path":273,"priority":274},"SKILL.md","mandatory","rule","en",{"basePath":278,"description":279,"displayName":280,"installMethods":281,"rationale":282,"selectedPaths":283,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-bandit","A/B testing and feature optimization for AI agents. Pick the best option automatically using Multi-Armed Bandits and Contextual Bandits (LinUCB). No data warehouse needed — works from request","oraclaw-bandit",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-bandit/SKILL.md",[284],{"path":273,"priority":274},{"basePath":286,"description":287,"displayName":288,"installMethods":289,"rationale":290,"selectedPaths":291,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-bayesian","Bayesian inference engine for AI agents. Update beliefs with new evidence. Prior + evidence = posterior. Multi-factor prediction with calibration tracking.","oraclaw-bayesian",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-bayesian/SKILL.md",[292],{"path":273,"priority":274},{"basePath":294,"description":295,"displayName":296,"installMethods":297,"rationale":298,"selectedPaths":299,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-calibrate","Prediction quality scoring for AI agents. Brier score, log score, and multi-source convergence analysis. Know if your forecasts are accurate and if your data sources agree.","oraclaw-calibrate",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-calibrate/SKILL.md",[300],{"path":273,"priority":274},{"basePath":302,"description":303,"displayName":304,"installMethods":305,"rationale":306,"selectedPaths":307,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-cmaes","CMA-ES continuous optimization for AI agents. State-of-the-art derivative-free optimizer. 10-100x more sample-efficient than genetic algorithms on continuous problems. Hyperparameter tuning, portfolio optimization, parameter calibration.","oraclaw-cmaes",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-cmaes/SKILL.md",[308],{"path":273,"priority":274},{"basePath":310,"description":311,"displayName":312,"installMethods":313,"rationale":314,"selectedPaths":315,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-decide","Decision intelligence for AI agents. Analyze options, map decision dependencies with PageRank, detect when information sources conflict, and find the choices that matter most.","oraclaw-decide",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-decide/SKILL.md",[316],{"path":273,"priority":274},{"basePath":318,"description":319,"displayName":320,"installMethods":321,"rationale":322,"selectedPaths":323,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-ensemble","Multi-model consensus for AI agents. Combine predictions from multiple LLMs, models, or sources into a mathematically optimal consensus. Auto-weights by historical accuracy.","oraclaw-ensemble",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-ensemble/SKILL.md",[324],{"path":273,"priority":274},{"basePath":326,"description":327,"displayName":328,"installMethods":329,"rationale":330,"selectedPaths":331,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-evolve","Genetic Algorithm optimizer for AI agents. Multi-objective Pareto optimization for portfolio weights, pricing, hyperparameters, marketing mix — any problem with multiple competing goals. Handles nonlinear search spaces that LP solvers cannot.","oraclaw-evolve",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-evolve/SKILL.md",[332],{"path":273,"priority":274},{"basePath":334,"description":335,"displayName":336,"installMethods":337,"rationale":338,"selectedPaths":339,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-forecast","Time series forecasting for AI agents. ARIMA and Holt-Winters predictions with confidence intervals. Predict revenue, traffic, prices, or any sequential data. Sub-5ms inference.","oraclaw-forecast",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-forecast/SKILL.md",[340],{"path":273,"priority":274},{"basePath":342,"description":343,"displayName":344,"installMethods":345,"rationale":346,"selectedPaths":347,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-graph","Network intelligence for AI agents. PageRank, community detection (Louvain), critical path, and bottleneck analysis for any graph of connected things.","oraclaw-graph",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-graph/SKILL.md",[348],{"path":273,"priority":274},{"basePath":350,"description":351,"displayName":352,"installMethods":353,"rationale":354,"selectedPaths":355,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-pathfind","A* pathfinding and task sequencing for AI agents. Find the optimal path through workflows, dependencies, and decision trees. K-shortest paths via Yen's algorithm. Cost/time/risk breakdown.","oraclaw-pathfind",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-pathfind/SKILL.md",[356],{"path":273,"priority":274},{"basePath":245,"description":358,"displayName":13,"installMethods":359,"rationale":360,"selectedPaths":361,"source":275,"sourceLanguage":276,"type":248},"Risk assessment engine for AI agents. Value at Risk (VaR), CVaR, stress testing, and multi-factor risk scoring. Monte Carlo powered. Built for trading agents, lending agents, and portfolio managers.",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-risk/SKILL.md",[362],{"path":273,"priority":274},{"basePath":364,"description":365,"displayName":366,"installMethods":367,"rationale":368,"selectedPaths":369,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-simulate","Monte Carlo simulation for AI agents. Run thousands of probabilistic scenarios to model risk, forecast revenue, estimate project timelines, and quantify uncertainty. Supports 6 distribution types.","oraclaw-simulate",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-simulate/SKILL.md",[370],{"path":273,"priority":274},{"basePath":372,"description":373,"displayName":374,"installMethods":375,"rationale":376,"selectedPaths":377,"source":275,"sourceLanguage":276,"type":248},"mission-control/packages/clawhub-skills/oraclaw-solver","Industrial-grade scheduling and resource optimization for AI agents. Solve task scheduling with energy matching, budget allocation, and any LP/MIP constraint problem in milliseconds.","oraclaw-solver",{"claudeCode":12},"SKILL.md frontmatter at mission-control/packages/clawhub-skills/oraclaw-solver/SKILL.md",[378],{"path":273,"priority":274},{"basePath":380,"description":381,"displayName":382,"installMethods":383,"license":240,"rationale":384,"selectedPaths":385,"source":275,"sourceLanguage":276,"type":395},"mission-control/packages/mcp-server","OraClaw Decision Intelligence — 17 MCP tools for AI agents (6 premium API-key tools + 11 free). Full input/output schemas + MCP behavior annotations on every tool. Optimization (bandit/CMA-ES/genetic/LP-MIP), simulation (Monte Carlo/scenarios), prediction (ARIMA/Holt-Winters/Bayesian/ensemble), scoring (convergence/calibration), graph analytics, anomaly detection, pathfinding, scheduling.","@oraclaw/mcp-server",{"npm":382},"server.json with namespace/server name at mission-control/packages/mcp-server/server.json",[386,388,390,392],{"path":387,"priority":274},"server.json",{"path":389,"priority":274},"package.json",{"path":391,"priority":274},"README.md",{"path":393,"priority":394},"src/index.ts","low","mcp",{"sources":397},[398],"manual",{"closedIssues90d":233,"description":400,"forks":234,"homepage":401,"license":240,"openIssues90d":8,"pushedAt":236,"readmeSize":231,"stars":237,"topics":402},"Deterministic decision-intelligence MCP server for AI agents — 17 tools, 21 algorithms (LinUCB, HiGHS LP/MIP, PageRank, Monte Carlo, CMA-ES, conformal). Sub-25ms. Zero LLM cost. AAA on Glama. Field-validated in 12+ OSS projects.","https://web-olive-one-89.vercel.app",[403,404,405,406,407,408,409,395,410,411,412,413,414,415,416,417,418,419,213,420],"ai-agents","algorithms","api","bandits","decision-intelligence","fastify","machine-learning","optimization","typescript","agent-tools","anthropic","claude-mcp","contextual-bandit","deterministic-tools","linear-programming","llm-tools","model-context-protocol","pagerank",{"classifiedAt":422,"discoverAt":423,"extractAt":424,"githubAt":424,"updatedAt":422},1778698837409,1778698831609,1778698835357,[217,212,213,216,214,211,215,218],{"evaluatedAt":427,"extractAt":428,"updatedAt":243},1778699023223,1778698837670,[],[431,461,490,513,534,555],{"_creationTime":432,"_id":433,"community":434,"display":435,"identity":441,"providers":446,"relations":454,"tags":457,"workflow":458},1778696691708.3274,"k170az7r02e9e2v47mpy80kx6n86nff3",{"reviewCount":8},{"description":436,"installMethods":437,"name":439,"sourceUrl":440},"Detect current market regime using npx neural-trader — bull/bear/ranging/volatile classification with recommended strategy",{"claudeCode":438},"ruvnet/ruflo","Trader Regime","https://github.com/ruvnet/ruflo",{"basePath":442,"githubOwner":443,"githubRepo":444,"locale":276,"slug":445,"type":248},"plugins/ruflo-neural-trader/skills/trader-regime","ruvnet","ruflo","trader-regime",{"evaluate":447,"extract":453},{"promptVersionExtension":204,"promptVersionScoring":205,"score":448,"tags":449,"targetMarket":253,"tier":219},100,[212,215,450,451,411,452],"market-analysis","ai","cli",{"commitSha":255,"license":240},{"parentExtensionId":455,"repoId":456},"k17drge8h1fgzchr0p4jaeg33n86mwmy","kd7ed28gj8n0y3msk5dzrp05zs86nqtc",[451,452,212,450,215,411],{"evaluatedAt":459,"extractAt":460,"updatedAt":459},1778701108877,1778696691708,{"_creationTime":462,"_id":463,"community":464,"display":465,"identity":471,"providers":475,"relations":481,"tags":485,"workflow":486},1778693819124.3687,"k177re651qqdxa2pxznqy4qzx186mgmm",{"reviewCount":8},{"description":466,"installMethods":467,"name":469,"sourceUrl":470},"Domänenwissen für die KI-Trading-Erinnerung – Outcome-Weighted Memory (OWM)-Architektur, 5 Speichertypen, Abrufbewertung und Verhaltensanalyse. Verwenden Sie dies beim Aufzeichnen von Trades, beim Abrufen ähnlicher Kontexte, bei der Leistungsanalyse oder bei der Überprüfung von Verhaltensabweichungen. Löst bei \"record trade\", \"remember trade\", \"recall\", \"similar trades\", \"performance\", \"behavioral\", \"disposition\", \"affective state\", \"confidence\" aus.",{"claudeCode":468},"mnemox-ai/tradememory-protocol","trading-memory","https://github.com/mnemox-ai/tradememory-protocol",{"basePath":472,"githubOwner":473,"githubRepo":474,"locale":18,"slug":469,"type":248},"tradememory-plugin/skills/trading-memory","mnemox-ai","tradememory-protocol",{"evaluate":476,"extract":480},{"promptVersionExtension":204,"promptVersionScoring":205,"score":448,"tags":477,"targetMarket":253,"tier":219},[215,451,478,212,479],"memory","python",{"commitSha":255},{"parentExtensionId":482,"repoId":483,"translatedFrom":484},"k170vxkqee48k2xq1v55a025nh86nzn7","kd73z11kfekksxyrs8ds0snacs86ncdy","k173a67a16bpq0e29wjd85v71986nx03",[451,212,478,479,215],{"evaluatedAt":487,"extractAt":488,"updatedAt":489},1778693719816,1778693539593,1778693819124,{"_creationTime":491,"_id":492,"community":493,"display":494,"identity":498,"providers":501,"relations":507,"tags":509,"workflow":510},1778693810753.2522,"k17e9x8nbeqn99r3hpez0fzfs186n9jv",{"reviewCount":8},{"description":495,"installMethods":496,"name":497,"sourceUrl":470},"Risikomanagement-Domänenwissen für Handelsagenten – Überwachung des affektiven Zustands, Positionsbestimmung, Drawdown-Management, Tilt-Erkennung und Verhaltensrichtlinien. Verwenden Sie dies beim Prüfen des Risikos vor Trades, beim Verwalten von Drawdowns, beim Erkennen von Verhaltensabweichungen oder beim Erzwingen von Disziplin. Löst bei \"risk\", \"drawdown\", \"tilt\", \"position size\", \"lot size\", \"confidence\", \"revenge trading\", \"overtrading\", \"discipline\" aus.",{"claudeCode":468},"Risk Management",{"basePath":499,"githubOwner":473,"githubRepo":474,"locale":18,"slug":500,"type":248},"tradememory-plugin/skills/risk-management","risk-management",{"evaluate":502,"extract":506},{"promptVersionExtension":204,"promptVersionScoring":205,"score":448,"tags":503,"targetMarket":253,"tier":219},[215,500,504,505,212],"ai-agent","behavioral-analysis",{"commitSha":255,"license":240},{"parentExtensionId":482,"repoId":483,"translatedFrom":508},"k17bgwvhb6h29py715de1cm9xd86msq6",[504,505,212,500,215],{"evaluatedAt":511,"extractAt":488,"updatedAt":512},1778693700524,1778693810753,{"_creationTime":514,"_id":515,"community":516,"display":517,"identity":521,"providers":523,"relations":530,"tags":531,"workflow":532},1778696691708.328,"k172nv5vbyw1c60vavz8f9esw186m2q7",{"reviewCount":8},{"description":518,"installMethods":519,"name":520,"sourceUrl":440},"Generate trading signals using npx neural-trader anomaly detection engine with Z-score scoring and neural prediction",{"claudeCode":438},"trader-signal",{"basePath":522,"githubOwner":443,"githubRepo":444,"locale":276,"slug":520,"type":248},"plugins/ruflo-neural-trader/skills/trader-signal",{"evaluate":524,"extract":529},{"promptVersionExtension":204,"promptVersionScoring":205,"score":525,"tags":526,"targetMarket":253,"tier":219},99,[215,212,527,409,528],"anomaly-detection","prediction",{"commitSha":255},{"parentExtensionId":455,"repoId":456},[527,212,409,528,215],{"evaluatedAt":533,"extractAt":460,"updatedAt":533},1778701148958,{"_creationTime":535,"_id":536,"community":537,"display":538,"identity":542,"providers":544,"relations":549,"tags":551,"workflow":552},1778693793330.2832,"k177d4r606hjhrdzjy7nbxena986ncpn",{"reviewCount":8},{"description":539,"installMethods":540,"name":541,"sourceUrl":470},"Brücke zwischen Binance-Handelsereignissen und dem TradeMemory Protocol.\nJournalisiert automatisch Trades, ruft ähnliche vergangene Setups ab, erkennt Verhaltensverzerrungen\nund bietet ergebnisgewichteten Abruf für KI-Trading-Agenten.\nVerwenden Sie diese Fähigkeit nach der Ausführung von Binance-Spot-Trades, um ein persistentes Gedächtnis aufzubauen.\n",{"claudeCode":468},"tradememory-bridge",{"basePath":543,"githubOwner":473,"githubRepo":474,"locale":18,"slug":541,"type":248},"skills/tradememory-bridge",{"evaluate":545,"extract":548},{"promptVersionExtension":204,"promptVersionScoring":205,"score":525,"tags":546,"targetMarket":253,"tier":219},[215,212,478,547,504],"journaling",{"commitSha":255},{"repoId":483,"translatedFrom":550},"k17em57x7pnqhv6x3a2s5g5wv586mjq6",[504,212,547,478,215],{"evaluatedAt":553,"extractAt":488,"updatedAt":554},1778693660212,1778693793330,{"_creationTime":556,"_id":557,"community":558,"display":559,"identity":563,"providers":565,"relations":570,"tags":572,"workflow":573},1778693774442.657,"k17a6dfqkqbjkv9fsdf4mnmm0h86n28y",{"reviewCount":8},{"description":560,"installMethods":561,"name":562,"sourceUrl":470},"AI-Handelsspeicher mit ergebnisgewichteter Erinnerung und autonomer Strategieentwicklung. 17 MCP-Tools, 1.233 Tests, funktioniert mit jeder Handelsplattform.",{"claudeCode":468},"tradememory",{"basePath":564,"githubOwner":473,"githubRepo":474,"locale":18,"slug":562,"type":248},".skills/tradememory",{"evaluate":566,"extract":569},{"promptVersionExtension":204,"promptVersionScoring":205,"score":525,"tags":567,"targetMarket":253,"tier":219},[215,212,478,568,451,479,395],"strategy",{"commitSha":255},{"repoId":483,"translatedFrom":571},"k174jrt9tnryf6b31jfh0hn3js86ny47",[451,212,395,478,479,568,215],{"evaluatedAt":574,"extractAt":488,"updatedAt":575},1778693611218,1778693774442]