Install
openclaw skills install investoday-fund-risk-analysisinvestoday-fund-risk-analysis
面向公募基金量化风险分析，聚焦回撤、波动率、下行风险、VaR、Beta、夏普与风险收益匹配度。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风险分析报告。触发词：基金风险、回撤、波动率、下行风险、VaR、Beta、夏普、风险收益比。
🛡️ 基金风险分析
面向公募基金量化风险分析，聚焦回撤、波动率、下行风险、VaR、Beta、夏普与风险收益匹配度。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风险分析报告。
触发场景
- 用户询问某只基金风险大不大、回撤如何、波动高不高
- 用户希望判断风险收益比、Beta、夏普、索提诺、卡玛等指标表现
- 用户想知道“适不适合低风险偏好”“这只基金回撤控制怎么样”
- 关键词：基金风险、回撤、波动率、下行风险、VaR、Beta、夏普、索提诺、卡玛、风险收益比
输入示例
示例 1：风险水平
帮我看看这只基金风险大不大。
示例 2：回撤控制
000001 这只基金近一年最大回撤怎么样？
示例 3：风险收益比
这只基金波动和夏普比率怎么样，风险特征偏稳健还是偏进取？
💡 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。若只想看收益来源与主动管理能力，优先使用基金业绩归因分析；若希望把收益、风险、持仓、经理、费率放在同一框架里一起看，优先使用基金综合诊断。
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、风险收益特征 |
风险核心工具
| 工具名称 | 工具ID | 方法 | 说明 |
|---|---|---|---|
| 归因分析 | fund/performance-attribution | POST | 获取回撤、波动率、下行波动率、VaR、夏普、索提诺、卡玛、Beta、Alpha 等指标 |
| 现任基金经理及回报 | fund/current-manager-returns | POST | 获取基金经理任期回报、从业年限等信息，用于辅助判断风控结果 |
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：现任基金经理及回报：工具ID
fund/current-manager-returns(POST)，参数fundCode=<code>
并行优化：完成 Step 0 的基金识别后，Step 1-3 可并行调用；风险分析优先看近 1 年与近 3 年维度，再用近 1 月、3 月、6 月辅助判断风险是否在放大或收敛。
分析框架（5步）
Agent 获取数据后，按以下 5 步框架进行结构化分析：
Step 1：建立基金风险画像
目标：确认基金类型与产品定位，为风险判断建立基准。
数据来源：fund/basic-info
分析要点：
- 基金类型、风险收益特征、投资策略
- 产品定位是否天然偏高波动或偏稳健
- 股票型、债券型、指数型等不同基金的回撤与波动中枢不同，后续判断应优先与同类型产品比较
- 为后续量化风险判断提供背景
输出：基金风险画像与分析口径。
Step 2：评估回撤风险
目标：判断基金净值承压时的回撤深度与回撤控制能力。
数据来源：fund/performance-attribution
分析要点：
- 近 1 月、3 月、6 月、1 年、3 年最大回撤
- 回撤是阶段性还是长期偏大
- 若短期与长期回撤都偏高，应明确提示风控压力
输出：回撤风险结论与主要风险区间。
Step 3：评估波动与下行风险
目标：判断基金净值波动幅度和下跌风险暴露程度。
数据来源：fund/performance-attribution
分析要点：
- 年化波动率、下行波动率、VaR 的高低
- 风险是否集中体现在下跌方向
- 是否存在“回撤不算大但波动很高”或相反情况
输出：波动性与下行风险结论。
Step 4：评估风险调整后收益与市场敏感度
目标：判断基金承担的风险是否换来了相对匹配的收益。
数据来源：fund/performance-attribution
分析要点：
- 夏普、索提诺、卡玛等风险调整后收益指标
- Beta、Alpha、稳定性指标反映的市场敏感度与超额收益质量
- 若 Beta 较高且夏普偏弱，需提示“高风险但性价比一般”
输出：风险收益匹配度与市场敏感度判断。
Step 5：评估基金经理风控结果并形成综合结论
目标：结合基金经理任期表现，判断当前风险承担结果是否匹配。
数据来源：fund/current-manager-returns + 前 4 步结果汇总
分析要点：
- 任职起始时间、任期回报、从业年限
- 任期表现是否说明经理在承担风险后获得了相应回报
- 结合历史风险指标给出综合风险等级判断
输出：综合风险结论、主要短板与后续观察重点。
策略逻辑汇总
口径提示：以下阈值仅适合作为同类型基金内部的粗略参考，不能直接拿股票型、债券型、指数型等不同产品横向套用。
| 信号组合 | 含义 | 判断 |
|---|---|---|
| 近1年最大回撤 < 10% | 回撤压力较低 | ✅ 积极 |
| 近1年最大回撤在 10%-20% | 回撤处于中等水平 | 📊 中性 |
| 近1年最大回撤 ≥ 20% | 回撤压力较大 | ⚠️ 警惕 |
| 近1年年化波动率 < 15% | 波动较低 | ✅ 积极 |
| 近1年年化波动率在 15%-25% | 波动中等 | 📊 中性 |
| 近1年年化波动率 ≥ 25% | 波动较高 | ⚠️ 警惕 |
| 夏普比率 > 1 | 风险调整后收益较好 | ✅ 积极 |
| 夏普比率在 0-1 | 风险收益比一般 | 🟡 关注 |
| 夏普比率 < 0 | 风险承担未换来正向回报 | 🔴 高风险 |
| Beta > 1 且回撤偏大 | 对市场敏感度较高 | ⚠️ 警惕 |
输出格式
# 🛡️ [基金名称]（[基金代码]）风险分析报告
> 分析日期：YYYY-MM-DD | 数据来源：今日投资
## 一、风险结论
（先用一段话概括当前风险等级和主要原因）
## 二、基金风险画像
（基金类型、风险收益特征、产品定位）
## 三、回撤风险分析
（多期限最大回撤与回撤控制结论）
## 四、波动与下行风险分析
（波动率、下行波动率、VaR）
## 五、风险收益匹配度
（夏普、索提诺、卡玛、Beta、Alpha）
## 六、经理风控结果
（任期回报、从业经验与风险承担结果）
## 综合结论
- 3-5 条核心发现
- 明确主要风险来源与风险缓冲因素
- 给出后续需要跟踪的风险信号
证据约束（必须遵守）
- 每个风险结论至少给出 2 个数值证据；没有数据则写“该维度数据不足，暂无法判断”
- 不允许只写“风险高/低”，必须说明是回撤、波动、Beta 还是风险收益比导致
- 时间口径必须明确，如“近1年”“近3年”“任期内”
- 百分比统一保留 2 位小数
- 不给申购赎回建议、定投建议、仓位建议或交易时点
- 若基金识别不唯一，必须先要求补充更完整名称或 6 位基金代码
- 若收益高但风险同样偏高，必须明确说明“高收益来自更高风险承担”，不得直接视为优势
- 回撤、波动、VaR、Beta 等风险比较默认应以同类型或相近策略基金为前提；若产品类型差异明显，必须先说明不可直接横向比较
执行示例
用户说：“这只基金近一年回撤怎么样，风险特征偏稳健还是偏进取？”
- 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与fund/current-manager-returns - 从回撤、波动、风险收益比与经理风控结果 4 个维度完成分析
- 输出 Markdown 格式基金风险分析报告
- 在结尾写出综合风险等级与后续观察重点
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