name	investoday-fund-comprehensive-diagnosis
title	基金综合诊断
version	1.3.0
description	面向公募基金综合诊断，聚焦收益表现、风险收益匹配、持仓结构、基金经理与费用分红特征。基于今日投资金融数据接口，自动识别基金代码并输出结构化基金综合诊断报告。触发词：基金诊断、基金分析、收益风险、持仓怎么看、长期持有、基金体检。
tags	["fund-diagnosis","fund-analysis","risk-return","holdings-structure","fund-manager","fee-analysis","dividend-profile","fund-checkup"]
metadata	{"clawdbot":{"emoji":"🩺","category":"finance","requires":{"skills":["investoday-finance-data"]}}}

🩺 基金综合诊断

面向公募基金综合诊断，聚焦收益表现、风险收益匹配、持仓结构、基金经理与费用分红特征。基于今日投资金融数据接口，自动识别基金代码并输出结构化基金综合诊断报告。

触发场景

用户询问某只基金值不值得长期持有，想看综合诊断报告
用户希望同时了解收益、风险、持仓、经理与费率分红等多维情况
用户想知道“这只基金整体质地怎么样”“适不适合继续拿”“主要问题出在哪”
关键词：基金诊断、基金分析、收益风险、持仓怎么看、长期持有、基金体检、综合诊断

输入示例

示例 1：综合分析

帮我分析一下易方达蓝筹精选这只基金。

示例 2：继续持有判断

华夏成长混合适不适合继续长期拿着？

示例 3：多维诊断

这只基金收益、风险、持仓和基金经理分别怎么样？

💡 支持输入基金名称或 6 位基金代码。若用户只提供名称，优先使用 entity-recognition 识别基金实体；若无法稳定唯一识别，再提示补充完整名称或代码。若用户只关心回撤、波动与风险承受特征，优先使用 基金风险分析；若只想拆解超额收益来自选股、择时还是 Beta 暴露，优先使用 基金业绩归因分析。

前置依赖

本 Skill 依赖 investoday-finance-data（今日投资金融数据）Skill 获取实时金融数据。

基础 API 调用与底层执行方式统一以该 Skill 为准，业务 Skill 不重复展开底层接入细节。

工具说明

以下为本 Skill 通过 investoday-finance-data 使用的数据接口。在 System Prompt 中以 工具ID 标识调用。

标的识别工具

工具名称	工具ID	方法	说明
实体识别	`entity-recognition`	POST	从自然语言中识别基金实体
基金基本信息	`fund/basic-info`	POST	获取基金名称、类型、管理人、投资目标等

业绩与风险工具

工具名称	工具ID	方法	说明
归因分析	`fund/performance-attribution`	POST	获取收益、回撤、波动率、Alpha、夏普等综合指标
基金评价同类平均指标	`fund/eval-peer-avg-ind`	POST	获取同类平均、排名与同类对比指标

组合与管理工具

工具名称	工具ID	方法	说明
现任基金经理及回报	`fund/current-manager-returns`	POST	获取基金经理任职时间、任期回报与从业信息
基金资产分布	`fund/portfolio-asset-holdings`	POST	获取股票、债券、现金等资产配置
基金持仓股票	`fund/portfolio-stock-holdings`	POST	获取基金重仓股信息
基金持仓股票及行业涨幅	`fund/holdings-stocks-industries`	POST	获取重仓股及所属行业表现

费用与分红工具

工具名称	工具ID	方法	说明
基金费率结构	`fund/fee-structures`	POST	获取申购费、赎回费、管理费、托管费等费率信息
基金分红	`fund/dividend`	POST	获取基金分红记录与分红特征

数据获取流程

用户提供基金名称或代码后，Agent 按以下流程获取数据：

Step 0：基金实体识别（如用户输入名称而非代码）：工具ID entity-recognition (POST)，参数 input=<用户原始问题>
Step 1：基金基本信息：工具ID fund/basic-info (POST)，参数 fundCode=<code>
Step 2：归因分析：工具ID fund/performance-attribution (POST)，参数 fundCode=<code>
Step 3：同类平均指标：工具ID fund/eval-peer-avg-ind (POST)，参数 fundCode=<code>
Step 4：现任基金经理及回报：工具ID fund/current-manager-returns (POST)，参数 fundCode=<code>
Step 5：基金资产分布：工具ID fund/portfolio-asset-holdings (POST)，参数 fundCode=<code>
Step 6：基金持仓股票：工具ID fund/portfolio-stock-holdings (POST)，参数 fundCode=<code>
Step 7：基金持仓股票及行业涨幅：工具ID fund/holdings-stocks-industries (POST)，参数 fundCode=<code>
Step 8：基金费率结构：工具ID fund/fee-structures (POST)，参数 fundCode=<code>
Step 9：基金分红：工具ID fund/dividend (POST)，参数 fundCode=<code>

并行优化：完成 Step 0 的基金识别后，Step 1-9 可并行调用；分析时优先以 Step 2-4 形成收益风险与管理能力判断，再用 Step 5-9 补充持仓与回报特征。

分析框架（6步）

Agent 获取数据后，按以下 6 步框架进行结构化分析：

Step 1：建立基金画像

目标：确认基金类型、投资目标、管理人与风险收益特征。

数据来源：fund/basic-info

分析要点：

基金类型、风格、是否偏主动管理或被动跟踪
管理人、投资目标、风险收益特征是否清晰
为后续收益与风险分析建立对照框架

输出：基金画像与产品定位。

Step 2：评估收益表现与同类竞争力

目标：判断基金过去一段时间的收益能力及相对同类表现。

数据来源：fund/performance-attribution + fund/eval-peer-avg-ind

分析要点：

近 1 月、6 月、1 年、3 年收益表现
相对同类平均是否有超额收益
若短期好、长期一般或相反，必须明确指出期限分化

输出：收益表现结论与同类竞争力判断。

Step 3：评估风险收益匹配度

目标：判断基金承担的风险是否换来了合理回报。

数据来源：fund/performance-attribution + fund/eval-peer-avg-ind

分析要点：

最大回撤、波动率、夏普、卡玛、Alpha 等指标
风险控制能力与收益质量是否匹配
若收益高但回撤明显偏大，应提示持有体验压力

输出：风险收益匹配度与主要短板。

Step 4：分析持仓结构与风格支撑

目标：判断当前持仓配置是否支持基金既有业绩特征。

数据来源：fund/portfolio-asset-holdings + fund/portfolio-stock-holdings + fund/holdings-stocks-industries

分析要点：

股票、债券、现金等资产配置比例
前十大重仓股、行业暴露与持仓集中度
当前配置是否支撑收益来源，是否存在风格依赖或集中度风险

输出：持仓结构结论与配置支撑判断。

Step 5：评估基金经理与管理人能力

目标：判断基金经理任期表现是否与产品定位匹配。

数据来源：fund/current-manager-returns + fund/basic-info

分析要点：

任职时间、任期回报、从业年限、平均年化表现
管理人平台实力与基金经理任内兑现程度
若产品偏被动或指数跟踪型，应弱化对基金经理主观管理能力的扩展解读，更关注产品定位是否稳定兑现
若经理任期较短，应提示样本期有限

输出：基金经理与管理能力评价。

Step 6：分析费用与分红特征并形成综合结论

目标：补充产品持有成本与分红特征，形成完整综合判断。

数据来源：fund/basic-info + fund/fee-structures + fund/dividend + 前 5 步结果汇总

分析要点：

费率结构、分红记录与分红稳定性
产品回报特征更偏净值增长导向还是现金分红导向
综合收益、风险、持仓、经理、费用后形成总判断

输出：综合诊断结论与后续跟踪重点。

策略逻辑汇总

口径提示：以下信号更适合作为同类型基金内部的粗略参考；股票型、债券型、指数型、FOF 等产品不可直接按同一阈值横向套用。

信号组合	含义	判断
近1年收益显著高于同类平均且回撤控制良好	业绩与风险匹配较优	✅ 积极
近1年收益较高但最大回撤也显著偏高	收益来自较高风险承担	🟡 关注
夏普比率 > 1 且卡玛比率较高	风险调整后收益较好	✅ 积极
Alpha 为正且同类排名靠前	主动管理有一定价值	✅ 积极
股票仓位高且重仓股集中度高	风格与集中度暴露较明显	🟡 关注
经理任期回报稳定、从业年限较长	管理延续性较强	✅ 积极
经理任期较短或任期回报缺乏代表性	管理能力仍需观察	📊 中性
分红记录稳定且产品定位偏稳健	现金回报特征较清晰	🟡 关注
收益落后同类且风险控制也不占优	综合性价比较弱	🔴 高风险
产品定位与实际持仓风格明显不一致	风格漂移风险存在	⚠️ 警惕

输出格式

# 🩺 [基金名称]（[基金代码]）基金综合诊断报告

> 分析日期：YYYY-MM-DD | 数据来源：今日投资

## 一、综合诊断结论

（用一段话概括基金整体质地、主要优势和主要问题）

## 二、基金概况

（基金类型、定位、管理人、风险收益特征）

## 三、收益能力诊断

（多期限收益、同类比较、超额收益情况）

## 四、风险收益特征

（回撤、波动率、夏普、卡玛、Alpha 等）

## 五、持仓结构诊断

（资产配置、前十大持仓、行业暴露、集中度）

## 六、经理与管理人诊断

（经理任期回报、从业年限、平台实力）

## 七、费用与分红特征

（费率、分红、回报特征）

## 综合结论

- 3-5 条核心发现
- 明确基金主要强项、短板与更匹配的持有诉求
- 给出后续需要跟踪的关键变量

执行示例

用户说：“帮我分析一下华夏成长混合适不适合继续长期拿着。”

通过 entity-recognition 识别基金实体与基金代码
并行调用 fund/basic-info、fund/performance-attribution、fund/eval-peer-avg-ind、fund/current-manager-returns、fund/portfolio-asset-holdings、fund/portfolio-stock-holdings、fund/holdings-stocks-industries、fund/fee-structures 与 fund/dividend
从收益、风险、持仓、经理、费用分红 5 个维度做综合诊断
输出 Markdown 格式基金综合诊断报告
在结尾写出综合结论与后续跟踪重点

安全与隐私

仅通过今日投资 API 查询公开市场数据
不记录、不存储用户的查询记录
分析结论仅供参考，不构成投资建议

name	investoday-fund-comprehensive-diagnosis
title	基金综合诊断
version	1.3.0
description	面向公募基金综合诊断，聚焦收益表现、风险收益匹配、持仓结构、基金经理与费用分红特征。基于今日投资金融数据接口，自动识别基金代码并输出结构化基金综合诊断报告。触发词：基金诊断、基金分析、收益风险、持仓怎么看、长期持有、基金体检。
tags	["fund-diagnosis","fund-analysis","risk-return","holdings-structure","fund-manager","fee-analysis","dividend-profile","fund-checkup"]
metadata	{"clawdbot":{"emoji":"🩺","category":"finance","requires":{"skills":["investoday-finance-data"]}}}

🩺 基金综合诊断

触发场景

用户询问某只基金值不值得长期持有，想看综合诊断报告
用户希望同时了解收益、风险、持仓、经理与费率分红等多维情况
用户想知道“这只基金整体质地怎么样”“适不适合继续拿”“主要问题出在哪”
关键词：基金诊断、基金分析、收益风险、持仓怎么看、长期持有、基金体检、综合诊断

输入示例

示例 1：综合分析

帮我分析一下易方达蓝筹精选这只基金。

示例 2：继续持有判断

华夏成长混合适不适合继续长期拿着？

示例 3：多维诊断

这只基金收益、风险、持仓和基金经理分别怎么样？

💡 支持输入基金名称或 6 位基金代码。若用户只提供名称，优先使用 entity-recognition 识别基金实体；若无法稳定唯一识别，再提示补充完整名称或代码。若用户只关心回撤、波动与风险承受特征，优先使用 基金风险分析；若只想拆解超额收益来自选股、择时还是 Beta 暴露，优先使用 基金业绩归因分析。

前置依赖

本 Skill 依赖 investoday-finance-data（今日投资金融数据）Skill 获取实时金融数据。

基础 API 调用与底层执行方式统一以该 Skill 为准，业务 Skill 不重复展开底层接入细节。

工具说明

以下为本 Skill 通过 investoday-finance-data 使用的数据接口。在 System Prompt 中以 工具ID 标识调用。

标的识别工具

工具名称	工具ID	方法	说明
实体识别	`entity-recognition`	POST	从自然语言中识别基金实体
基金基本信息	`fund/basic-info`	POST	获取基金名称、类型、管理人、投资目标等

业绩与风险工具

工具名称	工具ID	方法	说明
归因分析	`fund/performance-attribution`	POST	获取收益、回撤、波动率、Alpha、夏普等综合指标
基金评价同类平均指标	`fund/eval-peer-avg-ind`	POST	获取同类平均、排名与同类对比指标

组合与管理工具

工具名称	工具ID	方法	说明
现任基金经理及回报	`fund/current-manager-returns`	POST	获取基金经理任职时间、任期回报与从业信息
基金资产分布	`fund/portfolio-asset-holdings`	POST	获取股票、债券、现金等资产配置
基金持仓股票	`fund/portfolio-stock-holdings`	POST	获取基金重仓股信息
基金持仓股票及行业涨幅	`fund/holdings-stocks-industries`	POST	获取重仓股及所属行业表现

费用与分红工具

工具名称	工具ID	方法	说明
基金费率结构	`fund/fee-structures`	POST	获取申购费、赎回费、管理费、托管费等费率信息
基金分红	`fund/dividend`	POST	获取基金分红记录与分红特征

数据获取流程

用户提供基金名称或代码后，Agent 按以下流程获取数据：

Step 0：基金实体识别（如用户输入名称而非代码）：工具ID entity-recognition (POST)，参数 input=<用户原始问题>
Step 1：基金基本信息：工具ID fund/basic-info (POST)，参数 fundCode=<code>
Step 2：归因分析：工具ID fund/performance-attribution (POST)，参数 fundCode=<code>
Step 3：同类平均指标：工具ID fund/eval-peer-avg-ind (POST)，参数 fundCode=<code>
Step 4：现任基金经理及回报：工具ID fund/current-manager-returns (POST)，参数 fundCode=<code>
Step 5：基金资产分布：工具ID fund/portfolio-asset-holdings (POST)，参数 fundCode=<code>
Step 6：基金持仓股票：工具ID fund/portfolio-stock-holdings (POST)，参数 fundCode=<code>
Step 7：基金持仓股票及行业涨幅：工具ID fund/holdings-stocks-industries (POST)，参数 fundCode=<code>
Step 8：基金费率结构：工具ID fund/fee-structures (POST)，参数 fundCode=<code>
Step 9：基金分红：工具ID fund/dividend (POST)，参数 fundCode=<code>

并行优化：完成 Step 0 的基金识别后，Step 1-9 可并行调用；分析时优先以 Step 2-4 形成收益风险与管理能力判断，再用 Step 5-9 补充持仓与回报特征。

分析框架（6步）

Agent 获取数据后，按以下 6 步框架进行结构化分析：

Step 1：建立基金画像

目标：确认基金类型、投资目标、管理人与风险收益特征。

数据来源：fund/basic-info

分析要点：

基金类型、风格、是否偏主动管理或被动跟踪
管理人、投资目标、风险收益特征是否清晰
为后续收益与风险分析建立对照框架

输出：基金画像与产品定位。

Step 2：评估收益表现与同类竞争力

目标：判断基金过去一段时间的收益能力及相对同类表现。

数据来源：fund/performance-attribution + fund/eval-peer-avg-ind

分析要点：

近 1 月、6 月、1 年、3 年收益表现
相对同类平均是否有超额收益
若短期好、长期一般或相反，必须明确指出期限分化

输出：收益表现结论与同类竞争力判断。

Step 3：评估风险收益匹配度

目标：判断基金承担的风险是否换来了合理回报。

数据来源：fund/performance-attribution + fund/eval-peer-avg-ind

分析要点：

最大回撤、波动率、夏普、卡玛、Alpha 等指标
风险控制能力与收益质量是否匹配
若收益高但回撤明显偏大，应提示持有体验压力

输出：风险收益匹配度与主要短板。

Step 4：分析持仓结构与风格支撑

目标：判断当前持仓配置是否支持基金既有业绩特征。

数据来源：fund/portfolio-asset-holdings + fund/portfolio-stock-holdings + fund/holdings-stocks-industries

分析要点：

股票、债券、现金等资产配置比例
前十大重仓股、行业暴露与持仓集中度
当前配置是否支撑收益来源，是否存在风格依赖或集中度风险

输出：持仓结构结论与配置支撑判断。

Step 5：评估基金经理与管理人能力

目标：判断基金经理任期表现是否与产品定位匹配。

数据来源：fund/current-manager-returns + fund/basic-info

分析要点：

任职时间、任期回报、从业年限、平均年化表现
管理人平台实力与基金经理任内兑现程度
若产品偏被动或指数跟踪型，应弱化对基金经理主观管理能力的扩展解读，更关注产品定位是否稳定兑现
若经理任期较短，应提示样本期有限

输出：基金经理与管理能力评价。

Step 6：分析费用与分红特征并形成综合结论

目标：补充产品持有成本与分红特征，形成完整综合判断。

数据来源：fund/basic-info + fund/fee-structures + fund/dividend + 前 5 步结果汇总

分析要点：

费率结构、分红记录与分红稳定性
产品回报特征更偏净值增长导向还是现金分红导向
综合收益、风险、持仓、经理、费用后形成总判断

输出：综合诊断结论与后续跟踪重点。

策略逻辑汇总

口径提示：以下信号更适合作为同类型基金内部的粗略参考；股票型、债券型、指数型、FOF 等产品不可直接按同一阈值横向套用。

信号组合	含义	判断
近1年收益显著高于同类平均且回撤控制良好	业绩与风险匹配较优	✅ 积极
近1年收益较高但最大回撤也显著偏高	收益来自较高风险承担	🟡 关注
夏普比率 > 1 且卡玛比率较高	风险调整后收益较好	✅ 积极
Alpha 为正且同类排名靠前	主动管理有一定价值	✅ 积极
股票仓位高且重仓股集中度高	风格与集中度暴露较明显	🟡 关注
经理任期回报稳定、从业年限较长	管理延续性较强	✅ 积极
经理任期较短或任期回报缺乏代表性	管理能力仍需观察	📊 中性
分红记录稳定且产品定位偏稳健	现金回报特征较清晰	🟡 关注
收益落后同类且风险控制也不占优	综合性价比较弱	🔴 高风险
产品定位与实际持仓风格明显不一致	风格漂移风险存在	⚠️ 警惕

输出格式

# 🩺 [基金名称]（[基金代码]）基金综合诊断报告

> 分析日期：YYYY-MM-DD | 数据来源：今日投资

## 一、综合诊断结论

（用一段话概括基金整体质地、主要优势和主要问题）

## 二、基金概况

（基金类型、定位、管理人、风险收益特征）

## 三、收益能力诊断

（多期限收益、同类比较、超额收益情况）

## 四、风险收益特征

（回撤、波动率、夏普、卡玛、Alpha 等）

## 五、持仓结构诊断

（资产配置、前十大持仓、行业暴露、集中度）

## 六、经理与管理人诊断

（经理任期回报、从业年限、平台实力）

## 七、费用与分红特征

（费率、分红、回报特征）

## 综合结论

- 3-5 条核心发现
- 明确基金主要强项、短板与更匹配的持有诉求
- 给出后续需要跟踪的关键变量

执行示例

用户说：“帮我分析一下华夏成长混合适不适合继续长期拿着。”

通过 entity-recognition 识别基金实体与基金代码
并行调用 fund/basic-info、fund/performance-attribution、fund/eval-peer-avg-ind、fund/current-manager-returns、fund/portfolio-asset-holdings、fund/portfolio-stock-holdings、fund/holdings-stocks-industries、fund/fee-structures 与 fund/dividend
从收益、风险、持仓、经理、费用分红 5 个维度做综合诊断
输出 Markdown 格式基金综合诊断报告
在结尾写出综合结论与后续跟踪重点

安全与隐私

仅通过今日投资 API 查询公开市场数据
不记录、不存储用户的查询记录
分析结论仅供参考，不构成投资建议