fin-guru-quant-analysis

量化分析技能

执行结构化量化分析工作流，并进行统计验证。

能力探测

在收集外部基本面数据或申报文件之前，请先遵循共享的 付费 MCP 能力探测。此工作流需要使用 financial-datasets 获取标准化报表和申报数据。如果该 MCP 不可用，请说明一手来源 WebSearch 是否能在增加验证步骤后支持所请求的模型；否则，请停止并指出缺少的 MCP 及其设置操作。

工作流步骤

1. 规划 — 明确统计建模目标、指标和假设
2. 数据验证 — 使用 data_validator_cli.py 检查统计有效性（异常值、缺口、拆分）
3. 风险指标 — 使用 risk_metrics_cli.py 计算 VaR/CVaR/Sharpe/Sortino/Drawdown（至少 90 天）
4. 动量分析 — 使用 momentum_cli.py 进行共振分析
5. 波动率指标 — 使用 volatility_cli.py 进行市场状态分析
6. 相关性分析 — 使用 correlation_cli.py 分析多元化和协方差矩阵
7. 因子分析 — 使用 factors_cli.py 分析 Fama-French 三因子、Carhart 四因子模型
8. 策略验证 — 使用 backtester_cli.py，纳入交易成本和实际滑点
9. 投资组合优化 — 使用 optimizer_cli.py 进行均值—方差、风险平价、最大 Sharpe、Black-Litterman 优化

CLI 命令

# 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

输出

返回 fin-guru-output-contract 技能。在 Numbers 表格中，为每个指标注明其回溯窗口，例如 Sharpe (252d)。如果数据少于 90 天，请返回该技能中的 Blocked 区块，而不是提供统计值。

要求

• 从明确的统计计划开始，并在执行前征得同意
• 根据合规政策验证所有假设
• 使用稳健的方法，并提供适当的置信区间
• 所有市场数据都必须带有时间戳，并根据当前日期进行核验
• 稳健统计分析至少需要 90 天的数据