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）。
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Baseado na classificação ocupacional SOC
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)