القائمة
投资组合多维分析与 Excel 报告生成。当用户需要进行组合 vs 基准收益对比、 风险指标计算、行业归因分析（Brinson 三因素）、资产大类归因， 或从组合 Excel 数据生成分析报告时触发。 关键词: 组合分析、业绩归因、行业归因、组合对比、净值分析、风险指标、 Brinson、夏普比率、最大回撤、信息比率
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
| name | portfolio-analyzer |
| description | 投资组合多维分析与 Excel 报告生成。当用户需要进行组合 vs 基准收益对比、 风险指标计算、行业归因分析（Brinson 三因素）、资产大类归因， 或从组合 Excel 数据生成分析报告时触发。 关键词: 组合分析、业绩归因、行业归因、组合对比、净值分析、风险指标、 Brinson、夏普比率、最大回撤、信息比率 |
当用户需要：
| 依赖 | 用途 | 必需 |
|---|---|---|
windpy-sdk | 获取基准净值 + 申万行业收益 | 是（Wind 数据） |
xlsx | Excel 输出规范 + recalc.py 公式验证 | 是（报告输出） |
plotly | 净值曲线 + 归因柱状图的交互式 HTML | 否（可选） |
import sys, os
sys.path.insert(0, os.path.expanduser("~/.claude/skills/portfolio-analyzer/scripts"))
from portfolio_analyzer import (
load_portfolio_data,
fetch_benchmark,
fetch_benchmark_industry_weights,
fetch_shenwan_returns,
compute_risk_metrics,
compute_brinson,
)
# 1. 加载用户 Excel
data = load_portfolio_data("/path/to/portfolio.xlsx")
nav = data["nav_timeseries"] # 宽表: 列=组合, index=日期
# 2. 获取基准
bench = fetch_benchmark("000300.SH", "2025-01-01", "2026-02-27")
# 3. 计算风险指标
metrics = compute_risk_metrics(nav["P001"], bench["close"])
# 4. Brinson 行业归因
ind = data["industry_attribution"]
result = compute_brinson(
ind["port_weight"], ind["bench_weight"],
ind["port_return"], ind["bench_return"],
)
从用户消息中提取：
常用基准代码：
| 基准 | Wind 代码 |
|---|---|
| 沪深 300 | 000300.SH |
| 中证 500 | 000905.SH |
| 中证 800 | 000906.SH |
| 中证 1000 | 000852.SH |
| 上证 50 | 000016.SH |
| 创业板指 | 399006.SZ |
| 万得全 A | 881001.WI |
data = load_portfolio_data(filepath)
自动识别 5 张表（通过特征列匹配，不依赖 sheet 名称）：
| 表类型 | 键名 | 识别特征 |
|---|---|---|
| 时序分析 | nav_timeseries | 含"单位净值"/"NAV"列 |
| 交易明细 | trade_detail | 含"成交金额"/"买卖方向"列 |
| 收益贡献 | return_contribution | 含"收益贡献"/"收益率贡献"列 |
| 业绩归因 | asset_attribution | 含"资产大类"列 |
| 行业归因 | industry_attribution | 含"行业"+"配置效应"列 |
参考：列名映射规则见
references/data-loading-guide.md
bench = fetch_benchmark("000300.SH", start, end)
# 返回 DataFrame: columns=["close"], index=DatetimeIndex
# 4a. 基准指数的行业权重（bw_i）
bench_weights = fetch_benchmark_industry_weights("000300.SH", "20260227")
# 返回 Series: index=行业名称, values=权重(0~1)
# 4b. 各行业指数的区间收益（br_i）
sw = fetch_shenwan_returns(start, end)
# 返回 DataFrame: index=行业名称, columns=["code", "pct_chg"]
fetch_benchmark_industry_weights 内部流程：
wset("indexconstituent") 拉取成分股及权重wss(codes, "industry_sw") 查每只股票的申万一级行业（分批，每批 80 只）参考：31 个申万一级行业代码见
references/shenwan-industry-codes.md
对每个组合计算：
nav / nav.iloc[0] - 1nav.pct_change()metrics = compute_risk_metrics(nav_series, benchmark_series, rf=0.015)
返回 8 个指标：
| 指标 | 含义 | Excel 格式 |
|---|---|---|
| 年化收益率 | 复合年化回报 | 0.00% |
| 年化波动率 | 收益率标准差年化 | 0.00% |
| 最大回撤 | 峰谷最大跌幅 | 0.00% |
| 夏普比率 | 单位风险超额收益 | 0.00 |
| 信息比率 | 单位跟踪误差超额 | 0.00 |
| 卡尔玛比率 | 年化收益/最大回撤 | 0.00 |
| 索提诺比率 | 单位下行风险超额 | 0.00 |
| 胜率 | 正收益天数占比 | 0.00% |
参考：公式详情见
references/risk-metrics-formulas.md
辅助分析：
from portfolio_analyzer import rolling_volatility, drawdown_series, top_drawdowns
vol = rolling_volatility(nav_series, window=20) # 20日滚动波动率
dd = drawdown_series(nav_series) # 每日回撤
top5 = top_drawdowns(nav_series, n=5) # Top5 回撤
result = compute_brinson(port_weights, bench_weights, port_returns, bench_returns)
# columns: ["配置效应", "选股效应", "交互效应", "总归因"]
数据来源优先级：
pw_i 组合行业权重：从表 3 收益贡献按行业聚合 weightbw_i 基准行业权重：fetch_benchmark_industry_weights("000300.SH", date)pr_i 组合行业收益：从表 3 按行业聚合 sec_return（加权平均）br_i 基准行业收益：fetch_shenwan_returns(start, end)["pct_chg"]使用 openpyxl 生成 6 个 sheet 的 Excel 报告，遵循 xlsx skill 格式规范。
多组合指标对比仪表盘：
| 组合A | 组合B | 基准 |
年化收益 | 12.50% | 8.30% | 10.20% | ← 最优绿色
年化波动 | 15.20% | 12.80% | 14.50% | ← 最低绿色
最大回撤 | 18.50% | 12.30% | 15.80% | ← 最低绿色
夏普比率 | 0.72 | 0.53 | 0.60 | ← 最高绿色
条件格式：每行最优值绿色底色，最差值红色底色。
| 列 | 内容 | 来源 |
|---|---|---|
| A | 日期 | 数据 |
| B+ | 各组合 NAV | 数据 |
| 之后 | 基准 NAV | Wind |
| 之后 | 各组合日收益率 | 公式 =B3/B2-1 |
| 之后 | 各组合累计收益率 | 公式 =B3/B$2-1 |
冻结首行首列。
MAX($B$2:B2)，Drawdown = (RunMax-NAV)/RunMax）python ~/.claude/skills/xlsx/scripts/recalc.py output.xlsx
# 期望输出: 0 个公式错误
遵循 xlsx skill 标准：
| 元素 | 规范 |
|---|---|
| 输入数据字体 | 蓝色 (0000FF) |
| 公式字体 | 黑色 (000000) |
| 百分比 | 0.00% 格式 |
| 负数 | 用括号 (0.00%) |
| 表头 | 深蓝底白字，加粗 |
| 千分位 | 金额列用 #,##0 |
| 冻结窗格 | 所有 sheet 冻结首行 |
load_portfolio_data(filepath) -> dict解析组合 Excel 文件，自动识别 5 张表。
| 参数 | 类型 | 说明 |
|---|---|---|
| filepath | str | Excel 文件路径 |
| 返回 | dict | 键为表类型，值为 DataFrame |
fetch_benchmark(code, start, end) -> DataFrame通过 Wind 获取基准指数收盘价。
| 参数 | 类型 | 说明 |
|---|---|---|
| code | str | 指数代码，如 "000300.SH" |
| start | str | 起始日期 |
| end | str | 结束日期 |
| 返回 | DataFrame | columns=["close"], index=日期 |
fetch_benchmark_industry_weights(index_code, date) -> Series获取基准指数的申万一级行业权重分布。
| 参数 | 类型 | 说明 |
|---|---|---|
| index_code | str | 指数代码，如 "000300.SH" |
| date | str | 日期，如 "20260227" |
| 返回 | Series | index=行业名, values=权重(0~1) |
内部调用 wset("indexconstituent") + wss(codes, "industry_sw") 分批查询后聚合。
fetch_shenwan_returns(start, end) -> DataFrame获取 31 个申万一级行业区间涨跌幅。
| 参数 | 类型 | 说明 |
|---|---|---|
| start | str | 起始日期 |
| end | str | 结束日期 |
| 返回 | DataFrame | index=行业名, columns=["code","pct_chg"] |
compute_risk_metrics(nav, benchmark, rf) -> dict计算 8 个风险指标。
| 参数 | 类型 | 说明 |
|---|---|---|
| nav | Series | 组合净值序列 |
| benchmark | Series | 基准净值序列（可选） |
| rf | float | 无风险利率，默认 0.015 |
| 返回 | dict | 8 个指标名 → 数值 |
compute_brinson(pw, bw, pr, br) -> DataFrameBrinson 三因素行业归因。
| 参数 | 类型 | 说明 |
|---|---|---|
| pw | Series | 组合行业权重 |
| bw | Series | 基准行业权重 |
| pr | Series | 组合行业收益 |
| br | Series | 基准行业收益 |
| 返回 | DataFrame | 配置/选股/交互/总归因，按总归因排序 |
| 函数 | 说明 |
|---|---|
align_nav(nav1, nav2) | 按日期对齐两个净值序列 |
rolling_volatility(nav, window=20) | 滚动年化波动率 |
drawdown_series(nav) | 每日回撤幅度序列 |
top_drawdowns(nav, n=5) | 提取前 N 次最大回撤 |
cumulative_return(nav) | 累计收益率序列 |
daily_returns(nav) | 日收益率序列 |
match_industry(name) | 行业名称模糊匹配到 Wind 代码 |
用户: 帮我分析这个月组合的表现，Excel 在 ~/data/portfolio_202602.xlsx，
基准用沪深300
→ 执行完整 9 步工作流，输出 6-sheet Excel 报告
用户: 分析组合 P001 的回撤和波动率
→ 只执行步骤 1-2-3-6，重点输出风险分析 sheet（滚动波动率 + Top5 回撤）
用户: 帮我做 Brinson 行业归因，Excel 里有行业权重和收益数据
→ 步骤 1-2-4-7，重点输出行业归因 sheet
用户: 对比这 5 个组合的夏普比率和最大回撤
→ 步骤 1-2-3-5-6，重点输出概览 sheet（仪表盘）
全量爬取中国企业年金基金投资管理人在其官网发布的《企业年金基金投资管理情况》季度管理报告。内置人社部许可的22家投资管理人名录+每家官网披露栏目入口、抓取策略与站点反爬坑位；驱动脚本按季全量下载并做真伪校验与清单记录。当需要采集/批量下载企业年金(或职业年金)季度管理报告/信息披露、定位某投资管理人官网披露页、更新报告库、或做年金管理人季报数据集时使用。触发词：企业年金、投资管理人、季度报告、季报、信息披露、管理情况、年金爬取、全量爬取、年金披露、pension disclosure crawl。
AbleMind 私域平台(portal / skill-market / gitea，部署在 heyun01)运维手册。 覆盖部署上线流程、一组踩过坑的硬规矩、以及今天确立的架构/安全原则 (工作区即上线、密钥绝不进浏览器、共享顶栏单一来源、登录闸门、digest 数据解耦、 token 安全)。还含一套无头浏览器验证技巧。 当需要部署/上线 ablemind_portal、在 heyun01 上做运维、排查线上回归、 或评审"key 暴露 / 顶栏不同步 / 页面只读门禁 / digest 看不到"这类问题时使用。 触发词：部署、上线、运维、deploy、heyun01、ablemind 部署、digest/MCP/Hub 维护、 线上回归、key 泄露、顶栏不同步、登录闸门。
高德地图 / 地理工具箱 —— 通过京东 agentrs 代理网关，用单一 Bearer Token 调 6 个高德(Amap)工具： POI 地点检索、地理编码(地址↔经纬度/adcode)、行政区域查询、IP 定位、步行路径规划、坐标转换。 当需要查地点经纬度与 adcode、找附近地点(POI)、做步行导航、转换坐标系、 按 IP 定位、查行政区划时使用。触发词：高德、地图、经纬度、坐标、adcode、地理编码、 POI、附近、步行路线、导航、坐标转换、IP定位、行政区、省市区。
联网搜索工具箱 —— 通过京东 agentrs 代理网关，用单一 Bearer Token 调用 4 个搜索引擎： tavily(AI搜索)、cloudsway(必应/Bing,可拿网页全文)、SearchPro(搜狗,实时新闻时效最强)、 jdcloud_search(京东云RAG,返回整页正文)。当需要联网检索资讯、新闻、研报、实时信息， 或要抓取网页正文做后续分析时使用。触发词：联网搜索、实时搜索、查资讯、查新闻、 搜一下、tavily、bing、cloudsway、搜狗、京东搜索、web search、抓网页正文。
天气查询工具 —— 通过京东 agentrs 代理网关调用高德天气，返回城市实况(气温/天气/湿度/风力) 或未来预报。支持直接传高德 adcode，也支持传城市名/地址自动解析 adcode。当用户问某地天气、 气温、今天/明天下不下雨、出门带不带伞、未来几天天气这类问题时使用。 触发词：天气、气温、下雨、温度、湿度、风力、今天天气、明天天气、未来天气、weather、带伞。
在本机(yangnan 工作区)把一个小型 web 应用从零发布到公网的标准 playbook。 覆盖:选空闲端口、复用现成 .env 密钥(非明文)、pm2 托管 + 开机自启、 Cloudflare Tunnel 挂子域/路径拿自动 HTTPS(不开公网端口)、口令 cookie 网关、 交付前实测与结构整理。含两个真实踩过的坑(pm2 默认目录 root 占用、 Cloudflare 不剥路径前缀)和一份发布前 checklist。 当需要把一个本地小工具/演示页/内部应用上线到公网、配 pm2 持久化、 挂 lihanlin.com 子域、加访问口令时使用。 触发词:发布、上线、deploy、部署小应用、挂域名、Cloudflare Tunnel、隧道、 pm2 持久化、加 HTTPS、内网工具上公网、加口令登录。