메뉴
A股量化组合优化。当用户说"组合优化"、"portfolio optimization"、"均值方差"、"风险平价"、"最优权重"、"Black-Litterman"、"最小方差"、"最大夏普"、"怎么分配权重"、"等风险贡献"时触发。基于现代投资组合理论，对给定标的池进行量化权重优化，支持均值方差/最小方差/风险平价/等权等多种方法，输出最优配置权重和有效前沿。支持研报风格（formal）和快速优化风格（brief）。
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
SOC 직업 분류 기준
A股逆向选择/信息不对称分析。当用户说"逆向选择"、"adverse selection"、"信息不对称"、"知情交易者"、"逆向选择成本"、"信息劣势"时触发。基于 cn-stock-data 获取数据，度量逆向选择与信息不对称程度。支持 formal/brief 两种输出风格。
A股量价异常检测/异动监控。当用户说"异常检测"、"异动"、"anomaly"、"量价异常"、"异常波动"、"XX有异动"时触发。量化检测股价和成交量异常。支持formal和brief风格。
A股自相关/序列相关性/收益率自相关结构分析。当用户说"自相关"、"autocorrelation"、"序列相关"、"收益率预测性"、"动量还是反转"、"自相关系数"、"ACF"、"PACF"、"Ljung-Box"、"收益率是否可预测"、"随机游走检验"时触发。MUST USE when user asks about return autocorrelation, serial correlation tests, or whether a stock's returns are predictable. 量化分析收益率的自相关结构（ACF/PACF、Ljung-Box检验、随机游走检验）。支持formal和brief风格。
A股Beta对冲/市场中性策略。当用户说"对冲"、"beta hedging"、"市场中性"、"对冲策略"、"怎么对冲"、"空头对冲"时触发。量化构建市场中性组合。支持formal和brief风格。
A股买卖价差/流动性度量分析。当用户说"买卖价差"、"bid-ask spread"、"流动性度量"、"报价价差"、"有效价差"、"价差分析"时触发。基于 cn-stock-data 获取数据，分析买卖价差与流动性。支持 formal/brief 两种输出风格。
A股黑天鹅预警/极端事件分析。当用户说"黑天鹅"、"black swan"、"极端事件"、"尾部事件"、"灰犀牛"、"突发风险"、"系统崩溃"时触发。基于 cn-stock-data 获取数据，监控与预警潜在的黑天鹅事件。支持 formal/brief 两种输出风格。
| name | a-share-portfolio-optimize |
| description | A股量化组合优化。当用户说"组合优化"、"portfolio optimization"、"均值方差"、"风险平价"、"最优权重"、"Black-Litterman"、"最小方差"、"最大夏普"、"怎么分配权重"、"等风险贡献"时触发。基于现代投资组合理论，对给定标的池进行量化权重优化，支持均值方差/最小方差/风险平价/等权等多种方法，输出最优配置权重和有效前沿。支持研报风格（formal）和快速优化风格（brief）。 |
SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"
# 各资产日K线（用于计算收益率序列和协方差矩阵）
python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [起始日期]
# 各资产最新行情
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE1],[CODE2],[CODE3],...
# 无风险利率参照（十年期国债收益率，可手动指定，默认2.5%）
# 大盘基准（有效前沿对比）
python "$SCRIPTS/cn_stock_data.py" kline --code SH000300 --freq daily --start [起始日期]
OPTIM="$SKILLS_ROOT/a-share-portfolio-optimize/scripts"
# 给定资产收益率矩阵，运行组合优化
python "$OPTIM/portfolio_optimizer.py" \
--returns_csv [收益率CSV路径] \
--method [min_var|max_sharpe|risk_parity|equal_weight] \
--rf 0.025 \
--long_only \
--max_weight 0.40
Step 1: 输入资产池与约束
收集用户信息：
| 项目 | 说明 | 默认值 |
|---|---|---|
| 资产池 | 股票代码列表 | 用户提供 |
| 历史窗口 | 用于估计参数的历史区间 | 近1年（250交易日） |
| 优化方法 | min_var / max_sharpe / risk_parity / equal_weight / BL | max_sharpe |
| 无风险利率 | Rf | 2.5% |
| 约束条件 | 做多约束、个股上限、行业上限 | long_only, max 40% |
| 预期观点(BL) | 用户主观收益预期（仅BL模型需要） | - |
Step 2: 数据获取与收益率/风险估计
| 代码 | 名称 | 年化收益(%) | 年化波动(%) | 夏普比 | 最大回撤(%) |
|---|
相关系数矩阵热力图描述（哪些资产高度正相关、哪些负相关/低相关提供分散化收益）。
Step 3: 组合优化求解
根据用户选择的方法执行优化：
方法 A: 均值方差 / 最大夏普 (MVO - Max Sharpe)
方法 B: 最小方差 (Min Variance)
方法 C: 风险平价 (Risk Parity)
方法 D: 等权 (Equal Weight)
方法 E: Black-Litterman (可选)
调用 portfolio_optimizer.py 执行计算，输出最优权重。
Step 4: 结果展示与有效前沿
最优权重：
| 代码 | 名称 | 权重(%) | 风险贡献(%) |
|---|
组合预期指标：
| 指标 | 最优组合 | 等权组合 | 沪深300 |
|---|---|---|---|
| 预期年化收益(%) | |||
| 预期年化波动(%) | |||
| 夏普比 | |||
| 最大回撤(%) |
有效前沿描述：
Step 5: 输出
| 维度 | formal（量化研报风格） | brief（快速优化风格） |
|---|---|---|
| 篇幅 | 4-6 页 | 1-2 页 |
| 统计分析 | 完整收益/风险/相关性矩阵 | 关键指标摘要 |
| 优化方法 | 多方法对比 + 有效前沿 | 单一方法结果 |
| 权重输出 | 完整表格 + 风险贡献分解 | 权重饼图描述 |
| 敏感性 | 参数敏感性分析 | 不含 |
| 理论说明 | 含模型原理简述 | 不含 |
| 免责声明 | 需要 | 不需要 |