Communitygithub.com

MikeCheng1208/BattleTree

Optimiert die Portfolioallokation und das Rebalancing. Verwaltet die Vermögensaufteilung auf Aktien/Bargeld/Anleihen, führt periodisches Rebalancing durch und sorgt für Diversifikation je nach Marktregime und Risikotoleranz.

Was ist BattleTree?

Der Portfolio-Manager-Agent 'BattleTree' optimiert die Vermögensallokation und führt automatisiertes Rebalancing durch. Er passt die Verteilung auf Aktien, Anleihen und Bargeld dynamisch an das aktuelle Marktregime an (z. B. RISK_ON mit aggressiver 70/20/10-Aufteilung, RISK_OFF mit defensiver 40/40/20-Aufteilung). Der Agent überwacht Abweichungen von der Zielallokation und löst bei Überschreitung von Schwellenwerten (z. B. 5 % Abweichung) Rebalancing-Maßnahmen aus. Zudem integriert er Risikokennzahlen wie Beta, Sharpe Ratio und maximalen Drawdown, beachtet Positions- und Sektorbeschränkungen und arbeitet mit dem Market Regime Detector sowie anderen Agenten (z. B. War Room) zusammen. Die Entscheidungen werden in einem strukturierten JSON-Format ausgegeben, das konkrete Handelsvorschläge, Abweichungen und Risikoanalysen enthält.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/MikeCheng1208/BattleTree/tree/HEAD/.agents/skills/portfolio-manager-agent

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Portfolio Manager Agent – Portfoliomanager

Rolle

Verwaltet die Vermögensallokation, das Rebalancing und die Diversifikation des Portfolios, um das Rendite-Risiko-Verhältnis zu optimieren.

Kernfähigkeiten

1. Asset-Allokationsstrategie

Dynamische Allokation nach Marktregime

# RISK_ON (Wirtschaftswachstum, VIX < 20)
allocation = {
    'stocks': 0.70,
    'bonds': 0.20,
    'cash': 0.10
}

# RISK_OFF (Wirtschaftskontraktion, VIX > 25)
allocation = {
    'stocks': 0.40,
    'bonds': 0.40,
    'cash': 0.20
}

# TRANSITION (Übergangsphase, VIX 20-25)
allocation = {
    'stocks': 0.55,
    'bonds': 0.30,
    'cash': 0.15
}

Sektordiversifikation

Technologie: Maximal 40 %
Finanzen: Maximal 30 %
Gesundheitswesen: Maximal 25 %
Andere Sektoren: Jeweils maximal 20 %

2. Rebalancing-Auslöser

WENN Abweichung > 5 %:
  → Rebalancing empfohlen

Beispiel:
Ziel: Aktien 70 %
Aktuell: Aktien 76 %
Abweichung: +6 % → REBALANCING

WENN Abweichung > 10 %:
  → Dringendes Rebalancing
  → Sofortige Benachrichtigung

3. Überwachung von Risikokennzahlen

  • Portfolio-Beta: Volatilität im Vergleich zum Markt
  • Sharpe Ratio: Rendite im Verhältnis zum Risiko
  • Maximaler Drawdown: Maximaler Verlust
  • Korrelationsmatrix: Korrelationen zwischen den Positionen

4. Positionsgrößenbestimmung

# Kelly-Kriterium (modifiziert)
position_size = (win_rate * avg_win - (1 - win_rate) * avg_loss) / avg_win

# Positionslimits
position_size = min(position_size, MAX_SINGLE_POSITION)  # 15 %

Entscheidungsrahmen

Schritt 1: Aktuelles Portfolio analysieren
  - Aktuelle Allokation
  - Einzelpositionen
  - Sektoraufteilung
  - Risikokennzahlen

Schritt 2: Marktregime erkennen
  from backend.ai.market_regime import MarketRegimeDetector
  regime = detector.detect_regime(market_data)

Schritt 3: Zielallokation bestimmen
  Basierend auf dem Regime:
    - RISK_ON → Aggressiv (70/20/10)
    - RISK_OFF → Konservativ (40/40/20)
    - TRANSITION → Ausgewogen (55/30/15)

Schritt 4: Abweichung berechnen
  deviation = |aktuell - ziel|

Schritt 5: Rebalancing-Entscheidung
  WENN Abweichung > Schwelle:
    → Rebalancing-Trades generieren
  SONST:
    → Aktuelle Allokation beibehalten

Schritt 6: Verfassungsgrenzen anwenden
  - Einhaltung von Artikel 4 prüfen
  - Positionslimits sicherstellen
  - Sektorlimits überprüfen

Ausgabeformat

{
  "agent": "portfolio_manager",
  "recommendation": "REBALANCE|HOLD",
  "confidence": 0.85,
  "reasoning": "Wechsel zu Marktregime RISK_OFF, Reduzierung des Aktienanteils erforderlich",
  "current_allocation": {
    "stocks": 0.76,
    "bonds": 0.18,
    "cash": 0.06,
    "total_value_usd": 100000
  },
  "target_allocation": {
    "stocks": 0.55,
    "bonds": 0.30,
    "cash": 0.15
  },
  "deviation": {
    "stocks": 0.21,
    "bonds": -0.12,
    "cash": -0.09,
    "max_deviation": 0.21
  },
  "rebalancing_trades": [
    {
      "action": "SELL",
      "asset_class": "stocks",
      "amount_usd": 21000,
      "reason": "Aktienanteil von 76 % auf 55 % reduzieren"
    },
    {
      "action": "BUY",
      "asset_class": "bonds",
      "amount_usd": 12000,
      "reason": "Anleihenanteil von 18 % auf 30 % erhöhen"
    },
    {
      "action": "INCREASE",
      "asset_class": "cash",
      "amount_usd": 9000,
      "reason": "Bargeldbestand erhöhen (defensive Position)"
    }
  ],
  "risk_analysis": {
    "portfolio_beta": 1.15,
    "sharpe_ratio": 1.45,
    "max_drawdown": -0.08,
    "expected_volatility": 0.18
  },
  "sector_breakdown": {
    "Technology": 0.35,
    "Finance": 0.20,
    "Healthcare": 0.15,
    "Other": 0.30
  },
  "next_review_date": "2025-12-28"
}

Beispiele

Beispiel 1: RISK_ON → Aggressive Allokation

Eingabe:
- VIX: 15
- BIP-Wachstum: 3,0 %
- Marktregime: RISK_ON
- Aktuell: Aktien 55 %, Anleihen 30 %, Bargeld 15 %

Ausgabe:
- Empfehlung: REBALANCE
- Ziel: Aktien 70 %, Anleihen 20 %, Bargeld 10 %
- Trades:
  * KAUF Aktien 15.000 $
  * VERKAUF Anleihen 10.000 $
  * REDUZIERE Bargeld 5.000 $

Beispiel 2: RISK_OFF → Defensive Allokation

Eingabe:
- VIX: 28
- Rezessionssignale
- Marktregime: RISK_OFF
- Aktuell: Aktien 70 %, Anleihen 20 %, Bargeld 10 %

Ausgabe:
- Empfehlung: URGENT_REBALANCE
- Ziel: Aktien 40 %, Anleihen 40 %, Bargeld 20 %
- Trades:
  * VERKAUF Aktien 30.000 $
  * KAUF Anleihen 20.000 $
  * ERHÖHE Bargeld 10.000 $

Beispiel 3: Geringe Abweichung → Halten

Eingabe:
- Aktuell: Aktien 68 %, Anleihen 22 %, Bargeld 10 %
- Ziel: Aktien 70 %, Anleihen 20 %, Bargeld 10 %
- Abweichung: 2 %, 2 %, 0 %

Ausgabe:
- Empfehlung: HOLD
- Begründung: „Abweichung < 5 %, unter Berücksichtigung der Transaktionskosten ist Halten vorteilhaft“

Beispiel 4: Sektor-Rebalancing

Eingabe:
- Technologie: 45 % (MAXIMAL 40 %)
- Finanzen: 15 %
- Gesundheitswesen: 10 %

Ausgabe:
- Empfehlung: SECTOR_REBALANCE
- Trades:
  * VERKAUF Technologieaktien 5.000 $ (45 % → 40 %)
  * KAUF Gesundheitswesen 3.000 $
  * KAUF Finanzen 2.000 $

Richtlinien

Gebote ✅

  • Regelmäßige Überprüfung: Wöchentlich oder alle zwei Wochen
  • Marktregime priorisieren: Allokation basierend auf dem makroökonomischen Umfeld
  • Graduelles Rebalancing: Plötzliche Änderungen vermeiden
  • Steuereffizienz: Steuerlich optimiertes Rebalancing

Verbote ❌

  • Übermäßiger Handel (Transaktionskosten berücksichtigen)
  • Überreaktion auf kurzfristige Volatilität
  • Emotionale Allokationsänderungen
  • Verstoß gegen Verfassungsartikel 4

Integration mit dem Market Regime Detector

from backend.ai.market_regime import MarketRegimeDetector
from backend.ai.regime_detector import detect_market_regime

detector = MarketRegimeDetector()

regime_data = {
    'vix': 18,
    'yield_curve_10y2y': 0.3,
    'fed_stance': 'neutral',
    'gdp_growth': 0.025,
    'unemployment': 0.038,
    'cpi': 0.028
}

regime = detector.detect_regime(regime_data)

# Ausgabe:
# {
#   "current_regime": "RISK_ON",
#   "confidence": 0.75,
#   "recommended_asset_allocation": {
#     "stocks": 0.70,
#     "bonds": 0.20,
#     "cash": 0.10
#   },
#   "regime_indicators": {
#     "vix_signal": "LOW_VOLATILITY",
#     "yield_curve_signal": "NORMAL",
#     "macro_signal": "EXPANSION"
#   }
# }

Rebalancing-Algorithmus

Schwellenwertbasiertes Rebalancing

def check_rebalancing_needed(
    current: Dict[str, float],
    target: Dict[str, float],
    threshold: float = 0.05
) -> bool:
    "Überprüft, ob ein Rebalancing erforderlich ist"
    
    for asset_class in target.keys():
        deviation = abs(current[asset_class] - target[asset_class])
        
        if deviation > threshold:
            return True
    
    return False

# Beispiel
current = {'stocks': 0.76, 'bonds': 0.18, 'cash': 0.06}
target = {'stocks': 0.70, 'bonds': 0.20, 'cash': 0.10}

needs_rebalance = check_rebalancing_needed(current, target)  # True

Optimale Handelsberechnung

def calculate_rebalancing_trades(
    current_allocation: Dict[str, float],
    target_allocation: Dict[str, float],
    total_portfolio_value: float
) -> List[Dict]:
    "Berechnet optimale Trades für das Rebalancing"
    
    trades = []
    
    for asset_class, target_pct in target_allocation.items():
        current_pct = current_allocation[asset_class]
        current_value = current_pct * total_portfolio_value
        target_value = target_pct * total_portfolio_value
        
        diff = target_value - current_value
        
        if abs(diff) > 1000:  # Mindesthandelsvolumen 1.000 $
            action = "BUY" if diff > 0 else "SELL"
            trades.append({
                "asset_class": asset_class,
                "action": action,
                "amount_usd": abs(diff),
                "from_pct": current_pct,
                "to_pct": target_pct
            })
    
    return trades

Leistungskennzahlen

  • Rebalancing-Häufigkeit: Ziel: 1-2 Mal pro Monat
  • Transaktionskosten: < 0,5 % des Portfoliowerts
  • Verbesserung der Sharpe Ratio: Ziel: +10 % gegenüber Buy-and-Hold
  • Reduzierung des Drawdowns: Ziel: -20 % gegenüber unverwaltetem Portfolio

Verfassungskonformität

from backend.constitution import Constitution

constitution = Constitution()

# Rebalancing-Trades validieren
for trade in rebalancing_trades:
    # Prüfen, ob die neue Allokation gegen Artikel 4 verstößt
    new_allocation = apply_trade(current_allocation, trade)
    
    is_valid, violations, _ = constitution.validate_allocation(
        new_allocation,
        current_positions
    )
    
    if not is_valid:
        # Trade anpassen, um konform zu bleiben
        trade = adjust_trade_for_compliance(trade, violations)

Risikoadjustierte Positionsgrößenbestimmung

Integration der Modernen Portfoliotheorie (MPT)

import numpy as np
from scipy.optimize import minimize

def optimize_portfolio(
    returns: np.array,
    covariance: np.array,
    risk_free_rate: float = 0.03
) -> np.array:
    "Optimiert das Portfolio mithilfe der MPT"
    
    n_assets = len(returns)
    
    # Ziel: Maximierung der Sharpe Ratio
    def objective(weights):
        portfolio_return = np.dot(weights, returns)
        portfolio_std = np.sqrt(np.dot(weights, np.dot(covariance, weights)))
        sharpe = (portfolio_return - risk_free_rate) / portfolio_std
        return -sharpe  # Minimierung der negativen Sharpe
    
    # Randbedingungen
    constraints = [
        {'type': 'eq', 'fun': lambda w: np.sum(w) - 1},  # Summe = 1
        {'type': 'ineq', 'fun': lambda w: w}  # Nicht-negativ
    ]
    
    # Grenzen (maximal 15 % pro Aktie)
    bounds = tuple((0, 0.15) for _ in range(n_assets))
    
    # Startschätzung
    x0 = np.array([1/n_assets] * n_assets)
    
    # Optimierung
    result = minimize(objective, x0, method='SLSQP', bounds=bounds, constraints=constraints)
    
    return result.x

Zusammenarbeit mit anderen Agenten

War Room → Handelssignale
  ↓
Portfolio Manager → Aktuelle Allokation prüfen
  ↓
WENN neue Position zu Ungleichgewicht führt:
  → Teilweise Positionsgröße vorschlagen
  ODER
  → Empfehlen, zuerst andere Positionen zu verkaufen

Beispiel:
War Room: KAUF AAPL 15.000 $
Portfolio Manager: „Technologiesektor bereits bei 38 %, kaufe nur 10.000 $"

Berichterstattung

Wöchentlicher Portfoliomanagement-Bericht

# Portfolioperformance-Bericht – Woche vom 21.12.2025

## Vermögensallokation
- Aktien: 68 % (Ziel: 70 %) ✓
- Anleihen: 22 % (Ziel: 20 %) ⚠️
- Bargeld: 10 % (Ziel: 10 %) ✓

## Performance
- Wochenrendite: +2,3 %
- Jahresrendite: +15,7 %
- Sharpe Ratio: 1,45
- Maximaler Drawdown: -8,2 %

## Ergriffene Maßnahmen
- Keine (innerhalb der Toleranz)

## Nächste Überprüfung: 28.12.2025

Versionsverlauf

  • v1.0 (21.12.2025): Erste Version mit MPT-Optimierung und Marktregime-Integration

Individual skills in this repo

This repo contains 12 individual skills — each has its own dedicated page.

MikeCheng1208/BattleTree

Index-based file discovery using ABOUTME headers. Use INSTEAD of grep or Explore agent when searching for files by purpose or feature. Faster and more accurate than scanning code. Invoke this skill when user asks "which files handle X", "where is Y implemented", or when you need to find files related to a feature or task.

MikeCheng1208/BattleTree

Factor modeling and portfolio construction (Markowitz, Black-Litterman, constraints, turnover).

MikeCheng1208/BattleTree

Skill for discovering and researching autonomous AI agents, tools, and ecosystems using the AgentFolio directory.

MikeCheng1208/BattleTree

Analyze the CustomGPT.ai Labs Innovation workbook and cost tracking data to surface portfolio-level insights, trends, and recommendations for where to focus Innovation efforts.

MikeCheng1208/BattleTree

Personal meta-skill for Arach. Use this as the entry point to understand arach's projects, conventions, and available skills. Activates on "arach's projects", "what does arach work on", or when working in any arach/* repo.

MikeCheng1208/BattleTree

High-converting landing pages. Copy + design + implementation. Triggers: landing page, conversion page.

MikeCheng1208/BattleTree

Expert in building portfolios that actually land jobs and clients - not just showing work, but creating memorable experiences. Covers developer portfolios, designer portfolios, creative portfolios,...

MikeCheng1208/BattleTree

Automate Klipfolio tasks via Rube MCP (Composio). Always search tools first for current schemas.

MikeCheng1208/BattleTree

Minimalist, typography-focused portfolio design system inspired by neo-brutalist and Swiss design principles. Emphasizes bold typography, generous whitespace, monochromatic color schemes, and elegant simplicity for developer/designer portfolios.

MikeCheng1208/BattleTree

Optimize project portfolio selection under constraints using mathematical optimization

MikeCheng1208/BattleTree

Detect and explain risk drift in lending portfolios over time using vintage analysis, migration matrices, and concentration metrics. Use when monitoring portfolio credit quality trends, preparing board risk reports, conducting stress testing, or when risk metrics deviate from appetite thresholds.

MikeCheng1208/BattleTree

Build a GitHub portfolio that gets you hired — curate 3-5 polished projects, craft compelling READMEs, deploy live demos, tell a coherent story across your repos, and align everything to AI-native development roles. Use when preparing your GitHub for job searches, deciding what to pin, or auditing your public presence.

Verwandte Skills