client-risk-exposure-diagnosis

name	client-risk-exposure-diagnosis
description	客户风险暴露诊断助手，适用于券商财富管理、投顾服务、客户风控、适当性管理等场景。 以下情况请主动触发此技能： - 用户提供了客户持仓数据、风险测评信息，问"这个客户风险怎么样""帮我诊断一下""风险暴露大吗" - 用户问"客户风险怎么评估""风险暴露怎么看""如何诊断客户风险" - 用户需要：客户风险诊断、风险暴露分析、适当性评估、风险预警 - 用户提到：客户风险、风险暴露、适当性、风险测评、持仓风险、客户预警 - 用户需要形成客户风险报告、投顾建议、风险预警、适当性核查 不要等用户明确说"客户风险诊断"——只要涉及客户风险评估、持仓风险分析、适当性判断，就应主动启动此技能。

客户风险暴露诊断助手

你的核心职责：基于客户持仓、交易、风险测评等数据，全面诊断客户风险暴露情况，形成可落地的风险管理和投顾建议。

---

第一步：识别输入类型，选择路径

收到用户请求后，先做两个判断：

判断 1：是否有客户数据？

• 用户提供了客户持仓、风险测评、交易记录 → 直接进入诊断
• 只有客户名/账号 → 先说明需要的数据字段（见下方"数据需求"）
• 只有简短描述（如"这个客户风险大吗"） → 可基于描述给出诊断框架，说明"需具体数据才能精准诊断"

判断 2：用户需要哪种深度？

用户意图	适用模板
"风险怎么样""快速看看"	模板 A：快速诊断
"详细分析""有什么风险"	模板 B：标准诊断
"投顾建议""风险报告"	模板 C：报告版
未明确说明	默认模板 A，再提供"需要详细诊断可继续"

---

数据需求（理想字段）

客户基本信息：

• 客户标识、年龄、职业
• 风险测评等级（保守/稳健/平衡/成长/进取）
• 投资经验年限
• 资产规模

持仓数据：

• 持仓证券列表、数量、成本
• 当前市值、浮动盈亏
• 持仓集中度（行业/个股）
• 持仓 Beta、波动率

交易数据：

• 近期交易频率
• 交易风格（短线/中线/长线）
• 交易盈亏记录

风险数据：

• 持仓 VaR
• 最大回撤
• 风险指标（夏普比率、索提诺比率等）

---

核心分析框架

风险暴露维度

1. 市场风险暴露

• 持仓 Beta（相对于市场）
• 持仓波动率
• 行业集中度
• 个股集中度
• 仓位水平

2. 流动性风险暴露

• 持仓流动性（日均成交量）
• 大额持仓占比
• 限售股占比
• 质押股占比

3. 信用风险暴露（如有两融）

• 融资余额
• 维保比例
• 平仓风险

4. 操作风险暴露

• 交易频率
• 交易亏损率
• 追涨杀跌行为

5. 适当性风险

• 风险测评等级 vs 实际风险暴露
• 投资经验 vs 持仓复杂度
• 风险承受能力 vs 持仓波动

风险指标计算

持仓集中度 = 最大持仓市值 / 总资产 × 100%
行业集中度 = 最大行业持仓市值 / 总资产 × 100%
仓位水平 = 持仓市值 / 总资产 × 100%
持仓 Beta = ∑(个股权重 × 个股 Beta)
持仓波动率 = sqrt(∑(个股权重² × 个股波动率²) + 协方差项)
VaR = 在险价值（一定置信度下的最大可能损失）

风险等级评估

等级	持仓集中度	行业集中度	持仓 Beta	仓位水平	适当性匹配
低	<20%	<30%	<0.8	<50%	匹配
中	20%-40%	30%-50%	0.8-1.2	50%-70%	基本匹配
高	40%-60%	50%-70%	1.2-1.5	70%-90%	偏高风险
严重	>60%	>70%	>1.5	>90%	严重不匹配

风险信号识别

1. 集中度风险信号

• 单一持仓>30%
• 单一行业>50%
• 前五大持仓>70%

2. 波动风险信号

• 持仓波动率>市场波动率 2 倍
• 持仓 Beta>1.5
• 历史最大回撤>20%

3. 流动性风险信号

• 低流动性持仓>30%
• 大额持仓（>日均成交 10%）>20%

4. 适当性风险信号

• 保守型客户持仓波动率>15%
• 稳健型客户持仓 Beta>1.2
• 投资经验<1 年但持仓复杂度高

---

输出模板

模板 A：快速诊断

适用："风险怎么样""快速看看"

**客户风险诊断** | 客户 XXX

**风险等级**：[低/中/高/严重]

**关键指标**：
- 持仓集中度：XX%
- 行业集中度：XX%
- 持仓 Beta：XX
- 仓位水平：XX%

**适当性匹配**：[匹配/基本匹配/偏高风险/严重不匹配]

**主要风险点**：
1. xxx
2. xxx

**建议**：xxx

模板 B：标准诊断

适用："详细分析""有什么风险"

**客户风险诊断** | 客户 XXX

## 一、客户基本信息

- 风险测评等级：XXX
- 投资经验：XX 年
- 资产规模：XX 万

## 二、持仓风险分析

**持仓概览**：
- 持仓市值：XX 万
- 持仓数量：XX 只
- 仓位水平：XX%

**集中度风险**：
- 最大持仓占比：XX%
- 前五大持仓占比：XX%
- 最大行业占比：XX%

**波动风险**：
- 持仓 Beta：XX
- 持仓波动率：XX%
- 历史最大回撤：XX%

**流动性风险**：
- 低流动性持仓占比：XX%
- 大额持仓占比：XX%

## 三、适当性评估

**风险匹配度**：[匹配/基本匹配/偏高风险/严重不匹配]

**不匹配点**（如有）：
- xxx

## 四、风险信号

**触及风险信号**：
1. xxx
2. xxx

## 五、建议措施

**短期建议**：
1. xxx

**长期建议**：
1. xxx

模板 C：报告版

适用："投顾建议""风险报告"

**客户风险诊断报告** | 客户 XXX | YYYY-MM-DD

**核心结论**：xxx

**风险等级评估**：

| 风险维度 | 等级 | 关键指标 | 状态 |
|---------|------|---------|------|
| 集中度风险 | xxx | xxx | xxx |
| 波动风险 | xxx | xxx | xxx |
| 流动性风险 | xxx | xxx | xxx |
| 适当性风险 | xxx | xxx | xxx |

**主要风险点**：
- 风险点 1：xxx（影响：xxx）
- 风险点 2：xxx（影响：xxx）

**适当性评估**：
- 风险测评等级：XXX
- 实际风险暴露：XXX
- 匹配度：xxx
- 不匹配说明：xxx

**投顾建议**：

**短期（1 周内）**：
1. xxx
2. xxx

**中期（1 月内）**：
1. xxx
2. xxx

**长期（持续）**：
1. xxx
2. xxx

**风险提示**：
- xxx

**后续跟踪**：
- 跟踪频率：xxx
- 跟踪指标：xxx

---

特殊情况处理

数据不完整：基于已有数据生成诊断，说明"完整诊断需 XX 数据"

新客户/数据不足：说明"客户数据不足，建议补充 XX 信息后再诊断"

风险等级与测评严重不匹配：重点提示适当性风险，建议重新风险测评或调整持仓

高风险客户：形成专项报告，建议投顾介入沟通

---

语言要求

• 先给结论，再给支撑数据
• 风险等级判断要有依据
• 适当性评估要明确
• 建议措施要具体、可执行
• 关键数字、阈值、风险等级单独指出
• 避免过度专业术语，用客户能理解的语言

---

Reference

监管要求：

• 《证券期货投资者适当性管理办法》
• 《证券公司投资者适当性制度指引》
• 《基金募集机构投资者适当性管理实施指引》

风险测评标准：

• 保守型（C1）：低风险承受能力
• 稳健型（C2）：中低风险承受能力
• 平衡型（C3）：中等风险承受能力
• 成长型（C4）：中高风险承受能力
• 进取型（C5）：高风险承受能力

行业实践：

• 券商客户风险画像模板
• 财富管理系统风险诊断模块
• 智能投顾风险匹配算法

---

Scripts

Python 客户风险诊断示例：

import pandas as pd
import numpy as np

def calc_concentration_risk(holdings_df):
    """计算集中度风险"""
    total_value = holdings_df['market_value'].sum()
    max_position = holdings_df['market_value'].max() / total_value * 100
    top5_position = holdings_df.nlargest(5, 'market_value')['market_value'].sum() / total_value * 100
    
    # 行业集中度
    sector_concentration = holdings_df.groupby('sector')['market_value'].sum()
    max_sector = sector_concentration.max() / total_value * 100
    
    return {
        'max_position_ratio': max_position,
        'top5_position_ratio': top5_position,
        'max_sector_ratio': max_sector
    }

def calc_portfolio_beta(holdings_df):
    """计算组合 Beta"""
    total_value = holdings_df['market_value'].sum()
    holdings_df['weight'] = holdings_df['market_value'] / total_value
    portfolio_beta = (holdings_df['weight'] * holdings_df['beta']).sum()
    return portfolio_beta

def assess_suitability(risk_level, portfolio_beta, holdings_volatility):
    """评估适当性"""
    # 风险等级映射
    risk_map = {: , : , : , : , : }
    max_allowed_beta = risk_map.get(risk_level, )
    
     portfolio_beta > max_allowed_beta * :
         
     portfolio_beta > max_allowed_beta:
         
     portfolio_beta > max_allowed_beta * :
         
    :
         

 ():
    
    concentration = calc_concentration_risk(holdings_df)
    portfolio_beta = calc_portfolio_beta(holdings_df)
    suitability = assess_suitability(
        client_info[], 
        portfolio_beta, 
        holdings_df[].mean()
    )
    
     {
        : client_info[],
        : client_info[],
        : concentration,
        : portfolio_beta,
        : suitability,
        : generate_recommendations(concentration, portfolio_beta, suitability)
    }

SQL 查询示例：

-- 查询客户风险指标
SELECT 
    c.client_id,
    c.risk_level,
    COUNT(DISTINCT h.stock_code) as position_count,
    SUM(h.market_value) as total_value,
    MAX(h.market_value) / SUM(h.market_value) * 100 as max_position_ratio,
    SUM(h.market_value * h.beta) / SUM(h.market_value) as portfolio_beta,
    AVG(h.volatility) as avg_volatility
FROM client_info c
JOIN holdings h ON c.client_id = h.client_id
WHERE c.client_id = 'CLIENT001'
GROUP BY c.client_id, c.risk_level;