金融分析技能

利用免费数据源进行多资产投资组合的风险平价分析、动态调仓和回测，提供文字报告与图表可视化。

Security Scan

文档与清单/代码之间存在不一致：README/SKILL.md 表示会调用在线免费数据源并需要 API Key，但实际代码主要只处理本地 CSV，清单中也未声明任何环境变量或网络依赖，需开发者澄清用途与权限。

Purpose & Capability

SKILL.md 与 README.md 声称集成 Yahoo Finance（yfinance）、Alpha Vantage、Finnhub 等在线免费数据源并提示配置 ALPHA_VANTAGE_API_KEY；但 manifest.dependencies 未列出 yfinance/plotly，实际代码（optimized_risk_parity_skill.py / optimized_main.py）读取本地 CSV、无网络调用迹象。文档中宣称的在线数据抓取能力与实际要求/实现不匹配。

Instruction Scope

运行说明要求设置 ALPHA_VANTAGE_API_KEY 并列出了从 API 获取数据的用法，但代码路径/实现均以 CSV 为主，且默认 CSV 路径指向用户工作区（C:\Users\wu_zhuoran\.openclaw\workspace\data\marketdata.csv）。说明指示访问网络数据与代码实际行为不一致；此外文档允许把任意 CSV 放入默认路径，需注意本地文件读取权限与隐私。

Install Mechanism

没有 install spec；实际文件为 Python 脚本，依赖是常见数据分析包（pandas/numpy/matplotlib/seaborn）。无远程下载或可执行二进制安装步骤，磁盘写入/执行范围受限于脚本本身，安装风险较低。

Credentials

Registry metadata 报告 'required env vars: none' 而 SKILL.md 要求 ALPHA_VANTAGE_API_KEY。这是不一致的：如果技能确实需要在线 API，清单应声明相应环境变量；反之，文档要求 API Key 会误导用户暴露凭证。总体上没有看到对其他凭据或敏感变量的不当请求。

Persistence & Privilege

技能未设置 always:true，未请求修改其他技能或系统范围配置，也不声明需要长期驻留或特殊权限。默认行为（按需运行脚本并读写输出目录）与其用途相称。

What to consider before installing

要点与建议： 1) 文档/清单不一致：在安装或提供任何 API Key 之前，向发布者确认该技能是否真的会调用 Alpha Vantage / yfinance / Finnhub，以及这些网络调用会在哪里发生（由本地脚本直接发起还是需要新增模块）。 2) 如果你只需处理本地 CSV：当前代码看起来仅从本地 CSV 加载并计算风险平价，且不需要任何 API Key；在此情形下无需提供在线凭证，但也请手动检查脚本以确认无隐蔽的网络请求（搜索 'requests', 'urllib', 'socket', 'yfinance', 'alpha_vantage', 'finnhub'）。 3) 如果准备运行：先在隔离/沙箱环境中运行，使用非敏感示例 CSV，观察是否有出站网络连接或意外文件写入。查看生成的输出目录权限并确认路径（默认路径包含具体用户名，应按需修改）。 4) 要求修正清单：要求发布者或维护者把实际需要的依赖和环境变量在 manifest/registry metadata 中列清楚（例如将 ALPHA_VANTAGE_API_KEY 列为可选或必需），并在文档中明确何时会进行网络请求。 5) 若你会提供 API Key：只在信任来源并确认代码确实需要并安全使用该键时才提供；否则勿将长期/高权限凭证填入。

金融分析技能 (Financial Analysis Skill)

概述

这是一个用于投资组合分析的技能，支持从免费API获取各类资产行情数据，并提供文字报告和图表可视化。优化版本整合了滚动窗口调仓逻辑和回测功能。

功能特性

• ✅ 投资组合分析（资产配置、风险评估、收益分析）
• ✅ 支持多种资产类型：股票、ETF、加密货币等
• ✅ 免费数据源集成
• ✅ 文字报告生成
• ✅ 图表可视化（收益曲线、资产分布、风险指标等）
• ✅ 滚动窗口风险平价分析（使用历史一年数据，每月调仓）
• ✅ 避免未来数据（使用expanding窗口计算波动率）
• ✅ 回测功能（完整的回测流程）

数据源

• Yahoo Finance (通过yfinance库)
• Alpha Vantage (免费API)
• Finnhub (免费层)
• CSV文件（中国市场数据）

安装依赖

pip install yfinance pandas numpy matplotlib seaborn plotly

使用方法

1. 基本使用

分析投资组合

python financial_analysis.py --portfolio example_portfolio.json --output ./output

获取单个资产数据

python financial_analysis.py --symbol AAPL --period 1y

2. 滚动窗口风险平价分析

运行回测

python optimized_risk_parity_skill.py --csv "C:\path\to\marketdata.csv" --output ./backtest_output

数据格式要求

• CSV文件应包含日期列和收益率列
• 收益率数据应为百分比格式（如：1.5表示1.5%）
• 脚本会自动将百分比转换为实际收益率（除以100）
• 支持处理文本行和缺失值

3. 投资组合配置文件格式

创建一个JSON文件（如 my_portfolio.json）：

{
  "AAPL": 0.25,    # 苹果股票，权重25%
  "GOOGL": 0.20,   # 谷歌股票，权重20%
  "MSFT": 0.20,    # 微软股票，权重20%
  "AMZN": 0.15,    # 亚马逊股票，权重15%
  "TSLA": 0.20     # 特斯拉股票，权重20%
}

滚动窗口风险平价分析

核心特点

1. 避免未来数据：使用历史一年数据计算波动率
2. 动态调仓：每月根据最新波动率重新计算权重
3. 风险平价：各资产对组合风险贡献相等
4. 回测验证：完整的回测流程，验证策略效果

分析流程

1. 数据加载：加载CSV数据，处理百分比单位
2. 滚动波动率：使用expanding窗口计算历史波动率
3. 权重计算：基于波动率倒数计算风险平价权重
4. 投资组合收益率：使用滚动权重计算每日收益率
5. 绩效评估：计算总收益率、年化收益率、夏普比率等
6. 可视化：生成收益曲线、资产配置、相关性等图表

输出文件

• 分析报告：rolling_risk_parity_report.txt
• 详细数据：rolling_risk_parity_data.json
• 可视化图表：
  • rolling_risk_parity_returns.png - 收益曲线图
  • rolling_risk_parity_allocation.png - 资产配置饼图
  • rolling_risk_parity_correlation.png - 相关性热力图
  • rolling_asset_returns_comparison.png - 资产收益对比图
  • rolling_weight_changes.png - 滚动权重变化图

报告内容

• 投资组合概览
• 收益分析（总收益、年化收益）
• 风险指标（波动率、最大回撤、夏普比率）
• 资产配置分析
• 相关性分析
• 滚动权重变化
• 可视化图表
• 投资建议

配置

需要配置API密钥（如使用Alpha Vantage）：

• ALPHA_VANTAGE_API_KEY=your_key_here

示例输出

中国市场滚动风险平价组合分析报告
============================================================
生成时间: 2026-02-26 10:20:04
数据来源: C:\Users\wu_zhuoran\.openclaw\workspace\data\marketdata.csv
数据时间范围: 2015-03-23 至 2026-02-25
数据点数: 2656
滚动窗口: 252个交易日（约1年）
调仓频率: 每月

平均投资组合配置:
  五年期国债 (TF.CFE): 46.04% (波动率: 2.46%)
  十年期国债 (T.CFE): 32.55% (波动率: 3.61%)
  沪铜 (CU.SHF): 9.33% (波动率: 17.87%)
  沪金 (AU.SHF): 12.09% (波动率: 14.88%)

收益指标:
  总收益率: 44.78%
  年化收益率: 3.57%

风险指标:
  年化波动率: 3.76%
  最大回撤: -9.48%
  夏普比率: 0.42

技术实现

滚动窗口计算

• 使用expanding()窗口而非rolling()窗口
• 确保不使用未来数据
• 最小窗口大小为252个交易日（约1年）

权重计算

• 基于波动率倒数加权：权重 = (1/波动率) / ∑(1/波动率)
• 每月调仓，动态调整权重
• 使用前一天的权重计算当日收益率

回测验证

• 完整的回测流程
• 避免数据泄露
• 提供详细的绩效指标

注意事项

• 确保数据质量，处理缺失值和异常值
• 滚动窗口大小可根据实际情况调整
• 调仓频率可根据市场情况调整
• 考虑交易成本对回测结果的影响