Menu
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
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
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.
Basé sur la classification professionnelle SOC
| 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