fin-guru-quant-analysis

定量分析スキル

統計的検証を伴う、体系的な定量分析ワークフローを実行します。

機能の確認

外部のファンダメンタルズデータや提出書類を収集する前に、共通の 有料 MCP 機能確認手順 に従ってください。このワークフローでは、正規化された財務諸表と提出書類データを取得するために financial-datasets が必要です。利用できない場合は、追加の検証を行えば一次情報源の WebSearch で要求されたモデルを構築できるかどうかを明示してください。それができない場合は処理を中止し、不足している MCP とセットアップ手順を示してください。

ワークフローの手順

1. 計画 — 統計モデリングの目的、指標、前提条件を定義します
2. データ検証 — data_validator_cli.py を使用し、統計的な妥当性（外れ値、欠損、株式分割）を確認します
3. リスク指標 — risk_metrics_cli.py を使用し、VaR／CVaR／Sharpe／Sortino／ドローダウンを算出します（最低90日間）
4. モメンタム分析 — momentum_cli.py を使用してコンフルエンス分析を行います
5. ボラティリティ指標 — volatility_cli.py を使用してレジーム分析を行います
6. 相関分析 — correlation_cli.py を使用して分散効果と共分散行列を分析します
7. ファクター分析 — factors_cli.py を使用して、Fama-French 3ファクターモデルとCarhart 4ファクターモデルを分析します
8. 戦略の検証 — backtester_cli.py を使用し、取引コストと現実的なスリッページを考慮します
9. ポートフォリオの最適化 — optimizer_cli.py を使用して、平均分散法、リスクパリティ、最大Sharpe、Black-Littermanを適用します

CLI コマンド

# Risk metrics
uv run python -m src.analysis.risk_metrics_cli TICKER --days 252 --benchmark SPY --output json

# Momentum confluence
uv run python -m src.utils.momentum_cli TICKER --days 90 --output json

# Volatility regime
uv run python -m src.utils.volatility_cli TICKER --days 90 --output json

# Correlation matrix
uv run python -m src.analysis.correlation_cli TICKER1 TICKER2 --days 90 --output json

# Factor analysis
uv run python -m src.analysis.factors_cli TICKER --days 252 --benchmark SPY --output json

# Backtesting
uv run python -m src.strategies.backtester_cli TICKER --days 252 --strategy rsi --output json

# Portfolio optimization
uv run python -m src.strategies.optimizer_cli TICKERS --days 252 --method max_sharpe --output json

出力

fin-guru-output-contract スキルを返してください。Numbersテーブルでは、Sharpe (252d) のように各指標のルックバック期間を示してください。データが90日分に満たない場合は、統計値の代わりにそのスキルのBlockedブロックを返してください。

要件

• 明確な統計分析計画から始め、実行前に同意を得てください
• すべての前提条件をコンプライアンスポリシーに照らして検証してください
• 適切な信頼区間を用いた頑健な手法を適用してください
• すべての市場データにタイムスタンプを付け、現在の日付と照合して検証してください
• 頑健な統計分析には最低90日分のデータが必要です