القائمة
基金分析与筛选：晨星评级/夏普比率/信息比率、Sharpe风格箱分析、风格漂移检测、基金经理评价、FOF组合构建、ETF选择
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
Professional finance research toolkit — backtesting (8 engines + benchmark comparison panel), factor analysis, Alpha Zoo (461 pre-built alphas across qlib158/alpha101/gtja191/academic/fundamental), options pricing, 88 finance skills, 30 multi-agent swarm teams, Trade Journal analyzer, and Shadow Account (extract → backtest → render) across 21 market-data sources (tushare, yfinance, okx, akshare, baostock, tencent, mootdx, ccxt, futu, local, eastmoney, sina, stooq, yahoo, india_broker, qveris, longbridge, plus optional-key finnhub/alphavantage/tiingo/fmp).
The single ROUTER for every data need. Load this skill BEFORE any backtest, data-fetch, or research task to pick the best available source/tool, honour auth (env) requirements, and avoid ban-risk providers.
Paid capability marketplace for global multi-asset data; use it when free Vibe-Trading sources lack coverage, depth, or provider quality, and keep free sources as the default for routine OHLCV.
Correlation-regime detection and crisis attribution — edge-density regime states with hysteresis, causal (no look-ahead) smoothing, regime-aware exposure context, first-mover crisis attribution with honest NAME / MACRO / AMBIGUOUS / ABSTAIN verdicts, and a correlation-rewiring leaderboard that catches slow bleed-outs
Asset allocation theory and optimizer usage — MPT / Black-Litterman / risk budgeting / all-weather strategy, including guides for 5 optimizers and rebalancing rules.
Create, modify, and optimize quantitative trading strategies, then backtest and evaluate them.
| name | fund-analysis |
| description | 基金分析与筛选：晨星评级/夏普比率/信息比率、Sharpe风格箱分析、风格漂移检测、基金经理评价、FOF组合构建、ETF选择 |
| category | asset-class |
系统化评估公募基金/私募基金/ETF的业绩表现、投资风格和管理能力，并构建FOF（基金中的基金）组合。核心目标：找到"可持续的超额收益来源"而非"过去业绩最好的基金"。
适用场景：
收益类指标：
| 指标 | 公式 | 优秀阈值 | 说明 |
|---|---|---|---|
| 年化收益率 | (1+总收益)^(1/年数)-1 | > 15% (股基) | 绝对收益 |
| 超额收益(Alpha) | 基金收益-基准收益 | > 5%/年 | 相对基准 |
| 信息比率(IR) | Alpha / 跟踪误差 | > 0.5 | Alpha稳定性 |
| 胜率 | 跑赢基准的月份占比 | > 55% | 一致性 |
风险类指标：
| 指标 | 公式 | 优秀阈值 | 说明 |
|---|---|---|---|
| 最大回撤 | max(peak-trough)/peak | < 20% (股基) | 极端风险 |
| 年化波动率 | std(日收益)*√252 | < 20% (股基) | 总风险 |
| 下行标准差 | std(负收益)*√252 | < 13% | 下行风险 |
| Calmar比率 | 年化收益/最大回撤 | > 1.0 | 收益/极端风险 |
风险调整指标：
| 指标 | 公式 | 优秀阈值 | 说明 |
|---|---|---|---|
| 夏普比率 | (Rp-Rf)/σp | > 1.0 | 每单位风险收益 |
| Sortino比率 | (Rp-Rf)/下行σ | > 1.5 | 更关注下行风险 |
| Treynor比率 | (Rp-Rf)/β | > 10% | 每单位系统风险收益 |
无风险利率(Rf): A股通常用1年期国债收益率, 约2.0-2.5%
基准: 股票型→沪深300; 混合型→沪深300×60%+中证全债×40%
评估周期: 至少3年，推荐5年（覆盖完整牛熊周期）
九宫格风格分类：
价值 平衡 成长
大盘 大盘价值 大盘平衡 大盘成长
中盘 中盘价值 中盘平衡 中盘成长
小盘 小盘价值 小盘平衡 小盘成长
判定方法（回归法）:
Ri = α + β1×大盘价值 + β2×大盘成长 + β3×小盘价值 + β4×小盘成长 + ε
风格指数选择(A股):
大盘价值: 沪深300价值 (399346)
大盘成长: 沪深300成长 (399370)
小盘价值: 中证500价值 (930782)
小盘成长: 中证500成长 (930783)
β权重最大的方向 = 基金主风格
R² > 0.85 → 风格明确; R² < 0.70 → 风格模糊/择时型
方法: 滚动窗口回归 (窗口=60个交易日, 步长=20日)
漂移判定:
1. 计算每个窗口的风格权重β
2. 相邻窗口β变化:
|Δβ| > 0.2 → 显著漂移
最大β对应的风格变了 → 风格切换
3. R²时序:
R²持续下降 → 基金经理在做择时/偏离基准
R²忽高忽低 → 风格不稳定
漂移类型:
- 渐进漂移: 大盘→中盘→小盘 (通常是规模增长后被迫下沉)
- 突变漂移: 价值突然切换成长 (可能换了基金经理)
- 周期漂移: 牛市追成长、熊市转价值 (择时型)
A股常见漂移:
2020-2021: 大量"价值型"基金实际持仓转向新能源/半导体(成长)
检测: 申报风格=大盘价值, 实际回归风格=大盘成长 → 名不副实
Step 1: 硬指标过滤
□ 成立 ≥ 3年
□ 规模 2-100亿（太小清盘风险, 太大船大难掉头）
□ 同一基金经理管理 ≥ 2年
□ 机构持有比例 > 20%（机构认可）
Step 2: 绩效排序
□ 近3年年化收益 > 同类中位数
□ 近3年夏普比率 > 同类前30%
□ 最大回撤 < 同类中位数
□ 信息比率 > 0.3
Step 3: 风格验证
□ 实际风格与申报风格一致（R² > 0.8）
□ 风格漂移得分 < 0.3（稳定）
□ 近1年风格与近3年一致
Step 4: 基金经理评价
□ 管理同类基金 ≥ 3年
□ 历史任职基金收益均为正超额
□ 换手率合理（年化200-400%为正常, >600%过高）
□ 持股集中度适中（前10大持仓40-70%）
Step 5: 费用检查
□ 管理费 ≤ 1.5%（主动股基）
□ 无惩罚性赎回费（持有>1年免赎回费）
□ 托管费 ≤ 0.25%
核心维度:
1. 超额收益能力:
任职年化Alpha (相对基准)
牛市Alpha vs 熊市Alpha (优秀经理熊市也有超额)
2. 风险控制:
最大回撤 vs 基准最大回撤
下行捕获比率 < 0.8 → 善于控制下行风险
上行捕获比率 > 1.0 → 上涨行情不掉队
3. 选股能力 vs 择时能力 (T-M模型):
Ri-Rf = α + β(Rm-Rf) + γ(Rm-Rf)² + ε
α > 0 → 有选股能力
γ > 0 → 有择时能力
A股实证: 大部分基金经理有选股能力, 少有择时能力
4. 持仓特征:
换手率: <200%=长期持有; 200-400%=适中; >600%=频繁交易
持股集中度: 前10大占比, >70%=集中, <40%=分散
行业偏离度: 相对基准的行业超/低配幅度
经理更换信号:
基金经理变更公告日起:
- 新经理来自同一公司、风格相近 → 影响小
- 新经理风格截然不同 → 重新评估, 观察1-2个季度再决定
- 明星经理离职 → 考虑赎回, 跟踪新经理的其他产品
核心标准:
1. 跟踪误差: 年化 < 2% (被动) / < 4% (增强)
计算: std(ETF日收益 - 指数日收益) × √252
2. 费率比较:
管理费: 0.15%(最低) ~ 0.50%(普通)
托管费: 0.05% ~ 0.10%
综合费率差 0.2%/年，10年累积差异显著
3. 流动性:
日均成交额 > 1亿 → 流动性充足
买卖价差 < 0.1% → 交易成本低
折溢价率 < 0.3% → 定价准确
4. 规模:
> 10亿 → 清盘风险极低
2-10亿 → 可接受
< 2亿 → 需关注是否有清盘风险
A股主流宽基ETF对比(示例):
| ETF | 代码 | 费率 | 规模 | 跟踪误差 |
|-----|------|------|------|----------|
| 华泰柏瑞沪深300ETF | 510300 | 0.20% | 800亿+ | 0.5% |
| 易方达沪深300ETF | 510310 | 0.20% | 200亿+ | 0.6% |
| 华夏上证50ETF | 510050 | 0.50% | 500亿+ | 0.4% |
| 南方中证500ETF | 510500 | 0.20% | 400亿+ | 0.8% |
Step 1: 大类资产配置
保守型: 股基30% + 债基50% + 货基20%
均衡型: 股基50% + 债基30% + 商品10% + 货基10%
激进型: 股基70% + 债基20% + 商品10%
Step 2: 细分资产选基
每个资产类别选 2-3 只基金（分散管理人风险）
股票部分:
大盘价值 1只 + 大盘成长 1只 + 中小盘 1只
风格互补, 降低单一风格暴露
债券部分:
纯债 1只 + 转债增强 1只
控制信用风险, 不追高收益债
Step 3: 再平衡规则
定期: 每季度检查一次偏离度
触发: 任一资产偏离目标权重 > 5% → 再平衡
再平衡方法:
a. 卖出超配、买入低配 → 交易成本高
b. 增量资金买入低配 → 减少交易频率
c. 分红再投资到低配 → 最优方案
Step 4: 监控预警
□ 季度绩效回顾: 任一基金连续2个季度排名后30% → 观察
□ 基金经理变更 → 重新评估
□ 风格漂移 → 替换为风格稳定的同类基金
□ 规模异常(暴增/暴降) → 关注流动性冲击
基金分析报告：
=== 基金概况 ===
名称: 易方达蓝筹精选混合 (005827)
经理: 张坤 任职: 2018-01-05 (8年)
规模: 450亿 风格: 大盘成长
=== 绩效评估 (近3年) ===
年化收益: 12.5% (同类前25%)
夏普比率: 0.85 (同类前20%)
最大回撤: -28.3% (同类中位-25.6%)
信息比率: 0.62
Calmar比率: 0.44
胜率: 58% (月度跑赢基准)
=== 风格分析 ===
回归风格: 大盘成长 (R²=0.91)
风格漂移: 低 (近1年与近3年一致)
持股集中度: 前10大持仓68%
换手率: 年化150% (低换手, 长期持有)
=== 评价 ===
优势: 选股能力强(Alpha显著), 风格稳定
劣势: 规模过大可能影响操作灵活性, 回撤控制一般
建议: 适合作为FOF组合中的大盘成长配置, 仓位15-20%
pip install pandas numpy scipy