| name | portfolio_management |
| description | 本技能基于经典投资组合理论(Modern Portfolio Theory / MPT),为客户提供三种量化策略生成的资产配置方案。支持输入客户风险偏好、资产规模、投资期限和目标收益,返回马科维茨有效前沿推荐组合、风险平价组合和最大多样化组合,并附带持仓明细、预期收益、年化波动率和夏普比率。 |
| version | 1.0.0 |
| author | AlphaAgent |
| license | MIT |
| layer | L3 |
| capability_domain | ["C02","C03","C05"] |
| industry | financial |
| metadata | {"raw_title":"Portfolio Management Skill(投资组合管理技能)","auto_generated":true,"auto_generated_at":"2026-06-20"} |
Portfolio Management Skill(投资组合管理技能)
概述
本技能基于经典投资组合理论(Modern Portfolio Theory / MPT),为客户提供三种量化策略生成的资产配置方案。支持输入客户风险偏好、资产规模、投资期限和目标收益,返回马科维茨有效前沿推荐组合、风险平价组合和最大多样化组合,并附带持仓明细、预期收益、年化波动率和夏普比率。
核心策略
1. 马科维茨均值方差(Markowitz MVO)
- 原理:「不要把鸡蛋放在同一个篮子里」——通过优化资产间的相关性,在给定风险下最大化收益
- 输出:有效前沿曲线 + 最优夏普比率组合 + 最小方差组合
- 适用场景:客户有明确收益目标,或希望获得理论最优风险收益交换
2. 风险平价(Risk Parity / Equal Risk Contribution)
- 原理:每个资产对组合总风险的贡献相等
- 优势:不依赖收益预测天然平衡波动,避免单一资产主导组合风险
- 适用场景:市场不确定性高、追求稳健收益的客户
3. 最大多样化(Maximum Diversification)
- 原理:最大化组合波动率与加权平均波动率之比(diversification ratio)
- 优势:最大化分散化效益,降低组合特异性风险
- 适用场景:希望最大化分散化、降低尾部风险的客户
内置资产库(20+可配置)
| 类别 | 资产 | 预期年化收益 | 年化波动率 |
|---|
| A股 | 沪深300ETF、中证500ETF、创业板ETF、消费ETF、医药ETF、红利低波ETF、家电ETF、新能源ETF、半导体ETF | 9%~14% | 18%~34% |
| 港股 | 恒生ETF、港股科技ETF | 9%~15% | 25%~35% |
| 美股 | 标普500ETF、纳斯达克ETF、中概互联ETF | 10%~14% | 18%~32% |
| 债券 | 国债ETF、企业债ETF、政金债ETF | 3.5%~5% | 4%~6% |
| 黄金/大宗 | 黄金ETF、豆粕ETF | 5%~6% | 15%~20% |
| REITs | 公募REITs | 7% | 12% |
| 现金 | 货币基金 | 1.8% | 0.3% |
输入参数
| 参数 | 类型 | 说明 | 示例 |
|---|
| risk_preference | str | 风险偏好:保守型/稳健型/平衡型/进取型/激进型 | 平衡型 |
| asset_size | float | 资产规模(万元) | 500 |
| investment_horizon | int | 投资期限(年) | 3 |
| target_return | float, optional | 目标年化收益(%),如 8.0 | 8.0 |
输出结构
{
"metadata": {
"risk_preference": "平衡型",
"asset_size": 500,
"investment_horizon_years": 3,
"target_return_pct": 8.0,
"assets_used": [...]
},
"markowitz_efficient": {
"strategy": "马科维茨有效前沿(最优夏普)",
"expected_return_annual": 9.8,
"volatility_annual": 14.5,
"sharpe_ratio": 0.676,
"max_drawdown_estimate": -21.75,
"holdings": [
{
"asset": "沪深300ETF",
"weight": 25.0,
"allocation": 125.0,
"asset_type": "股票",
"region": "A股"
}
]
},
"markowitz_min_variance": {...},
"risk_parity": {...},
"max_diversification": {...},
"summary": {
"highest_sharpe": "markowitz_efficient",
"lowest_volatility": "risk_parity",
"highest_return": "max_diversification"
}
}
CLI 使用方式
python3 scripts/portfolio_cli.py generate "组合管理 平衡型 资产500万 期限3年 目标收益8%"
python3 scripts/portfolio_cli.py generate "平衡型 500 3 8"
python3 scripts/portfolio_cli.py generate "组合管理 平衡型 资产500万 期限3年 目标收益8%" --format=json
自然语言解析规则
输入格式灵活,支持以下任意组合:
组合管理 [风险偏好] 资产[规模] 期限[年限] 目标收益[百分比]
[风险偏好] [规模]万 [年限]年 [目标]%
balance [size] [horizon] [target]
解析优先级:
- 风险偏好:匹配 保守/稳健/平衡/进取/激进
- 规模:数字 + 万/百万/元,缺省默认500万
- 期限:数字 + 年,缺省默认3年
- 目标收益:数字 + %,缺省自动计算
企微卡片集成
使用 wecom_integration.py 生成飞书/企微消息卡片格式,适配 feishu_im_user_message 或 wecom_mcp 工具发送。
注意事项
- 本技能使用简化的预期收益和相关性估算,实际使用时建议结合宏观经济研究和市场环境调整
- 最小再平衡阈值建议 5%,超过后触发再平衡操作
- 最大单一资产权重限制 30%,防止过度集中
- 过去业绩不代表未来表现,请结合客户风险承受能力综合判断