金融专业人士需要准确的风险衡量来保护资本和优化收益。此技能提供全面的风险指标，包括 VaR、CVaR、夏普比率、索提诺比率和回撤分析，帮助做出明智的投资决策。
下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“risk-metrics-calculation”。 计算具有 12% 年回报、15% 波动率和 -22% 最大回撤的投资组合的风险指标
预期结果:
风险摘要：
- 年化波动率：15.0%
- 夏普比率（假设 2% 无风险利率）：0.67
- 最大回撤：-22.0%
- 在险价值 (95%)：-2.1%
- 条件在险价值 (95%)：-3.4%
- 卡玛比率：0.55
评估：中等风险特征，风险调整收益可接受。最大回撤超过保守投资组合典型的 20% 阈值。
正在使用“risk-metrics-calculation”。 比较 10 年回报序列在不同市场制度下的滚动波动率
预期结果:
滚动波动率分析（63 日窗口）：
- 低波动制度 (<10%)：45% 的时期
- 正常制度 (10-20%)：38% 的时期
- 高波动制度 (>20%)：17% 的时期
关键观察：
- 当前波动率：18.5%（正常制度）
- 峰值波动率：2020 年 3 月期间为 42.3%
- 平均波动率：14.2%
- 检测到波动率聚集：高持续性（0.82 自相关）
建议：考虑在持续高波动期间减少敞口。
安全审计
安全All static analysis findings were determined to be false positives. The reported 'backtick execution' patterns are markdown code fence delimiters in documentation, not shell commands. The 'hardcoded URLs' are educational resource links (Amazon book references). The skill contains pure Python code for financial risk calculations with no command execution, network operations, or dangerous patterns.
质量评分
你能构建什么
投资组合风险仪表盘
为投资委员会和监管报告构建全面的风险监控仪表盘，实时跟踪 VaR、波动率和回撤。
回测策略风险
通过计算夏普比率、最大回撤和历史危机期间的压力测试表现来评估交易策略风险特征。
头寸规模框架
通过分析边际风险贡献和成分风险实现基于风险的头寸规模调整，优化投资组合配置。
试试这些提示
我有一系列投资组合日回报数据。计算关键风险指标，包括波动率、夏普比率、最大回撤和 95% 置信度的在险价值。这是我的回报数据：[粘贴回报数据]
比较两种投资策略的风险特征。为每种策略计算年化波动率、索提诺比率、99% 置信度的 CVaR 和卡玛比率。确定哪种策略具有更好的风险调整收益和更低的尾部风险。策略 A 回报：[数据]。策略 B 回报：[数据]。
使用 63 日滚动窗口分析投资组合风险如何随时间演变。计算滚动波动率、滚动夏普比率和滚动最大回撤。识别不同的波动率制度，并标记风险超过可接受阈值的时期。
对我的投资组合进行全面压力测试。运行 2008 年金融危机、2020 年新冠崩盘和 2022 年利率上调的历史压力测试。同时执行蒙特卡洛模拟，设置 10,000 条路径、21 天周期和 2 倍正常波动率。报告最坏情况损失和超过 10% 损失的概率。
最佳实践
- 使用多个互补指标而非依赖单一衡量——VaR 单独使用会低估尾部风险，因此应始终与 CVaR 配对使用
- 应用滚动窗口分析以捕捉时变风险——静态指标会错过制度变化和演变的市场条件
- 同时进行历史和假设压力测试——过去的危机提供信息但无法预测未来的尾部事件
避免
- 假设回报服从正态分布——金融回报呈现肥尾和偏度，参数方法可能低估这些特征
- 使用较短的回溯期——少于 3 年数据的风险估计可能错过重要的制度变化和危机时期
- 忽视相关性动态——相关性通常在压力期间上升，在最需要时降低分散化收益