A Share Portfolio Optimize

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...

Security Scan

The skill's code and runtime instructions align with its stated purpose (A‑share portfolio optimization); it does not request credentials or install arbitrary remote code, though you should ensure required Python packages and the referenced cn-stock-data data provider are present and reviewed before running.

Purpose & Capability

The name/description describe portfolio optimization and the repository contains a portfolio_optimizer.py implementing MVO, min-variance, risk-parity, equal-weight and Black‑Litterman — all coherent with the stated purpose. The SKILL.md references fetching market data via a cn-stock-data helper script, which is a plausible data dependency for this skill.

Instruction Scope

SKILL.md provides concrete commands to fetch K‑line/quote data (via cn_stock_data.py) and to run portfolio_optimizer.py on a returns CSV. The instructions do not ask the agent to read unrelated system files, environment secrets, or to transmit outputs to unexpected external endpoints. They do assume a separate data‑fetching script (cn-stock-data) is available.

Install Mechanism

There is no install spec (instruction-only with included script), which avoids downloading arbitrary remote code. However the Python script imports scipy, numpy and pandas — these runtime dependencies are not declared in SKILL.md/metadata. You should ensure the runtime environment provides those packages.

Credentials

The skill requests no environment variables, no credentials, and no config paths. There are no hidden secret usages in the provided code or instructions.

Persistence & Privilege

always:false and default invocation rules; the skill does not request permanent system privileges or modify other skills. It only reads input CSVs and writes results; nothing indicates it alters agent/system configuration.

Assessment

This skill appears to do exactly what it claims: offline portfolio optimization using historical returns. Before installing/running: (1) ensure Python dependencies (numpy, pandas, scipy) are available; the package list is not declared in the metadata; (2) confirm you have the returns CSV or the referenced cn-stock-data helper — review that helper script if you will let the skill fetch market data (it may perform network requests); (3) avoid supplying sensitive credentials or private files unless you understand where outputs will be stored/transmitted; (4) be aware Black‑Litterman requires user views (subjective inputs) and that historical‑data based optimizations have well‑known estimation risks — treat outputs as advisory and check constraints (e.g., max_weight, long_only) before trading.

数据源

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]

量化优化脚本

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

Workflow (5 steps):

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

1. 通过 cn-stock-data kline 获取各资产日K线
2. 计算日收益率序列 -> 年化收益率向量 mu
3. 计算收益率协方差矩阵 Sigma（默认样本协方差，可选 Ledoit-Wolf 收缩）
4. 展示关键统计：

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)

• 目标: max (mu^T w - Rf) / sqrt(w^T Sigma w)
• 约束: sum(w)=1, w>=0 (long_only), w_i<=max_weight

方法 B: 最小方差 (Min Variance)

• 目标: min w^T Sigma w
• 约束: sum(w)=1, w>=0

方法 C: 风险平价 (Risk Parity)

• 目标: 各资产风险贡献相等 RC_i = w_i * (Sigma w)_i / sqrt(w^T Sigma w) = 1/N
• 数值求解: min sum_i (RC_i - 1/N)^2

方法 D: 等权 (Equal Weight)

• w_i = 1/N (作为基准参照)

方法 E: Black-Litterman (可选)

• 均衡收益 pi = delta * Sigma * w_mkt
• 融合用户观点: mu_BL = [(tauSigma)^-1 + P^T Omega^-1 P]^-1 [(tauSigma)^-1 pi + P^T Omega^-1 Q]
• 基于 mu_BL 再做 MVO

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：

• 最小方差组合位置（收益-波动坐标）
• 最大夏普组合位置（切线组合）
• 各个股在收益-风险平面上的位置
• 当前组合相对有效前沿的位置

Step 5: 输出

风格说明

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

关键规则

1. 历史不代表未来：基于历史数据的优化结果仅供参考，必须声明"过去业绩不预测未来收益"
2. 估计误差：均值估计不稳定，优先推荐最小方差或风险平价等不依赖收益率估计的方法
3. 协方差稳定性：短期协方差可能不稳定，建议使用至少1年数据，可选 Ledoit-Wolf 收缩估计
4. 约束合理性：默认做多约束（A股做空受限），个股上限40%防止过度集中
5. 多方法对比：formal 风格下建议对比多种方法结果，让用户理解不同优化目标的权衡
6. 与其他 skill 联动：可用 a-share-comps 补充估值视角、a-share-technical 确认技术面、a-share-sector 检查行业暴露
7. Black-Litterman 谨慎使用：BL 模型需要用户提供主观观点，引导用户合理设定观点及置信度