Menu
本技能对基金/组合进行 Brinson 双归因分析，拆解超额收益来源为行业配置效应、选股效应和交互效应，并输出与基准对比的风险收益指标（超额收益、信息比率、跟踪误差）。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
Enterprise WeChat template_card builder and sender. Provides reusable card templates for due diligence reports, stock alerts, risk warnings, and more. Supports text_notice, news_notice, and button_interaction card types with fallback to markdown.
本技能为进出口企业提供全面的贸易融资方案推荐与对比分析，基于企业类型、贸易类型、融资金额、账期等关键参数，智能推荐最适合的融资产品。
Financial AI Skill - 客户经理营销话术实时生成器。输入客户画像和营销目标，AI自动生成电话/微信/拜访话术，支持异议处理预演、方言适配、多风格切换。覆盖零售/对公/理财/私行/信用卡全营销岗位。
网点分析技能是一个基于AI的银行网点竞争力评估与经营规划引擎。该技能综合分析网点的地理位置、竞争格局、客群特征等维度，输出SWOT分析、三年经营预测、重点发展业务方向及投入产出建议。
ALM（Asset-Liability Management，资产负债管理）引擎专注于银行资产负债表的全方位分析与优化。输入银行资产负债数据（资产规模、负债结构、期限分布），输出完整的缺口分析、风险指标（LCR/NSFR/久期缺口）及优化建议。
Financial AI Skill - 产品手册智能对话引擎。基于 BM25 + TF-IDF 双路检索 + RRF 融合的轻量级 RAG，零外部依赖、毫秒级响应、自动出处标注。支持理财/信用卡/贷款等多种产品手册同时入库，语音/文字提问秒回精准答案。Hit@1 实测 100%，平均检索耗时 < 3ms。
| name | performance_attribution |
| description | 本技能对基金/组合进行 Brinson 双归因分析，拆解超额收益来源为行业配置效应、选股效应和交互效应，并输出与基准对比的风险收益指标（超额收益、信息比率、跟踪误差）。 |
| version | 1.0.0 |
| author | AlphaAgent |
| license | MIT |
| layer | L1 |
| capability_domain | ["C01","C02","C03"] |
| industry | financial |
| metadata | {"raw_title":"Performance Attribution Skill（基金业绩归因）","auto_generated":true,"auto_generated_at":"2026-06-20"} |
本技能对基金/组合进行 Brinson 双归因分析，拆解超额收益来源为行业配置效应、选股效应和交互效应，并输出与基准对比的风险收益指标（超额收益、信息比率、跟踪误差）。
| 参数 | 类型 | 必填 | 说明 |
|---|---|---|---|
| fund_code | str | 是 | 基金代码，格式 FXXXXXX（如 F000001） |
| fund_return | float | 是 | 区间收益率，如 0.12 表示 12% |
| benchmark_return | float | 是 | 基准收益率，如 0.08 表示 8% |
| portfolio_weights | dict | 否 | 组合行业权重，key=行业名，value=权重（和为1） |
| benchmark_weights | dict | 否 | 基准行业权重，key=行业名，value=权重（和为1） |
| industry_returns | dict | 否 | 各行业收益率，key=行业名，value=收益率 |
| stock_weights | dict | 否 | 个股权重（可缺省，用行业代理） |
| risk_free_rate | float | 否 | 无风险利率，默认 0.03 |
| period_days | int | 否 | 计算区间天数，默认 252 |
{
"fund_code": "F000001",
"period_return": 0.12,
"benchmark_return": 0.08,
"excess_return": 0.04,
"attribution": {
"total_excess": 0.04,
"allocation_effect": 0.025,
"selection_effect": 0.010,
"interaction_effect": 0.005,
"by_industry": [...]
},
"risk_metrics": {
"tracking_error": 0.045,
"information_ratio": 0.89,
"sharpe_ratio": 1.52,
"max_drawdown": -0.08
},
"summary": "归因分析文字总结"
}
python3 scripts/perf_attr_cli.py generate "业绩归因 F000001 收益率12% 基准8%"
python3 scripts/perf_attr_cli.py parse "F000001 12% 8%"
from performance_attribution import PerformanceAttributionEngine
engine = PerformanceAttributionEngine()
result = engine.analyze(
fund_code="F000001",
fund_return=0.12,
benchmark_return=0.08,
portfolio_weights={"银行": 0.3, "电子": 0.2, "食品饮料": 0.15},
benchmark_weights={"银行": 0.25, "电子": 0.15, "食品饮料": 0.20},
industry_returns={"银行": 0.10, "电子": 0.18, "食品饮料": 0.08}
)
print(result["summary"])
python3 wecom_integration.py send --fund F000001 --return 0.12 --benchmark 0.08
FXXXXXX 格式，不暴露真实代码SECTOR/INDUSTRY，不暴露真实持仓超额收益 = 行业配置效应 + 选股效应 + 交互效应
公式：
Allocation = Σ (W_portfolio_i - W_benchmark_i) * R_benchmark_i
Selection = Σ W_benchmark_i * (R_portfolio_i - R_benchmark_i)
Interaction = Σ (W_portfolio_i - W_benchmark_i) * (R_portfolio_i - R_benchmark_i)